Giriş
Dördüncü sanayi devriminin en önemli katkılarından birinin Yapay Zeka (AI) olduğu yeni bir dijital çağ açılıyor. Kapsamlı bir şekilde insanların hayatına yardımcı olan elektronik cihazların sayısı arttıkça, bu cihazların kaydettiği veriler, bu elektronik cihazlardan gelen verilerin yapay zeka tarafından kolayca kullanılmasını ve analiz edilmesini mümkün kıldı. AI, tüm sektörlerde hızla gelişiyor ve genişliyor. Bu zeka türü insan uzmanlığından öğrenebilir ve tipik olarak insan zekası gerektiren işleri üstlenebilir.
Yapay zeka, robotlar, otomobiller, akıllı şehir ve finansal analiz gibi birçok endüstri alanında benimsenmiştir. Ayrıca tıp ve diş hekimliğinde, örneğin tıbbi ve dişçilikte görüntüleme tanılama, karar desteği, hassas ve dijital tıp, ilaç keşfi, giyilebilir teknoloji, hastane izleme, robotik ve sanal asistanlar gibi alanlarda da kullanılmıştır. Çoğu durumda yapay zeka, diş hekimlerinin ve klinisyenlerin iş yüklerini azaltmalarına yardımcı olacak değerli bir araç olarak kabul edilebilir. Yapay zeka, belirli bir hastalığa yönelik tek bir bilgi kaynağı kullanarak hastalıkları teşhis etmenin yanı sıra, insan yeteneklerinin ötesinde teşhis yapmak için birden fazla bilgi kaynağından (çok modlu veriler) öğrenebilir. Örneğin yaş, cinsiyet, VKİ, sigara içme alışkanlığı, kan basıncı ve diyabet olasılığı gibi diğer tıbbi verilerle birlikte göz altı fotoğrafları kalp hastalığını öngörmek için kullanılmıştır. Böylece yapay zeka, göz altı fotoğrafından diyabetik retinopati gibi göz hastalıklarının yanı sıra kalp hastalıklarını da keşfedebilir. AI kullanan görüntü tabanlı analiz sağlam ve başarılı görünüyor. Tüm bunlar, bilgi işlem kapasitesinin (donanım), algoritmik araştırmanın (yazılım) ve büyük veri tabanının (girdi verileri) hızlı gelişimine (çıktı olarak) dayanır. Bunlar göz önüne alındığında, AI’yı dişçilik ve tıp alanında kullanmak için büyük potansiyeller olduğu gözlemlenmektedir.
Diş hekimliğinde yapay zeka
Diğer sektörlerde olduğu gibi, diş hekimliğinde yapay zeka kullanımı da son yıllarda gelişmeye başladı. Dental bir bakış açısıyla, AI uygulamaları teşhis, karar verme, tedavi planlaması ve tedavi sonuçlarının tahmini olarak sınıflandırılabilir. Diş hekimliğindeki tüm AI uygulamaları arasında en popüler olanı teşhistir. AI, daha doğru ve verimli teşhisler yaparak diş hekimlerinin iş yükünü azaltabilir. Bir yandan, diş hekimleri karar vermek için bilgisayar programlarına giderek daha fazla güvenmektedir. Öte yandan, dental kullanıma yönelik bilgisayar programları giderek daha akıllı, doğru ve güvenilir hale gelmektedir. AI üzerine yapılan araştırmalar, diş hekimliğindeki tüm alanlara yayılmıştır.
Operatif diş hekimliğinde AI
Geleneksel olarak, diş hekimleri çürüğü görsel ve dokunsal muayene veya ayrıntılı bir kritere göre radyografik muayene ile teşhis eder. Bununla birlikte, derin fissürler, sıkı interproksimal temaslar ve sekonder lezyonlar mevcut olduğunda erken evre lezyonları saptamak zordur. Sonunda, birçok lezyon diş çürüğünün yalnızca ileri evrelerinde tespit edilir ve bu da daha karmaşık bir tedaviye, yani diş kaplaması, kök kanal tedavisi ve hatta implanta yol açar. Diş radyografisi (panoramik, periapikal veya ısırma görüntüleri) ve kaşif (veya diş probu) yaygın olarak kullanılmış ve diş çürüklerini tespit eden son derece güvenilir teşhis araçları olarak kabul edilmiş olsa da, tarama ve nihai teşhisin çoğu diş hekimlerinin deneyimlerine dayanma eğilimindedir.
Operatif diş hekimliğinde diş çürüklerinin, vertikal kök kırıklarının, apikal lezyonların saptanması, pulpa boşluğunun volümetrik değerlendirmesi ve diş aşınmasının değerlendirilmesi üzerine araştırmalar yapılmıştır. İki boyutlu (2B) bir radyografta, gri tonlamalı görüntünün her pikseli, nesnenin yoğunluğunu temsil eden bir yoğunluğa, yani parlaklığa sahiptir. Bir AI algoritması, yukarıda belirtilen özelliklerden öğrenerek modeli öğrenebilir ve dişi segmentlere ayırmak, çürükleri tespit etmek vb. için tahminler verebilir. Örneğin, Lee ve ark. periapikal radyografilerde diş çürüklerini saptamak için bir CNN algoritması geliştirmiştir. Kühnisch ve ark. ağız içi görüntülerde çürük tespiti için bir CNN algoritması önermiştir. Schwendicke ve ark. proksimal çürük tespiti için AI’nın maliyet etkinliğini diş hekimlerinin teşhisi ile karşılaştırdı; sonuçlar yapay zekanın daha etkili ve daha az maliyetli olduğunu gösterdi.
Periodontolojide yapay zeka
Periodontitis en yaygın hastalıklardan biridir. Milyarlarca birey için bir yüktür ve tedavi edilmezse diş hareketliliğine ve hatta diş kaybına neden olabilir. Şiddetli periodontitisi önlemek için erken teşhis ve tedavi gereklidir. Klinik uygulamada, periodontal hastalık teşhisi, cep sondalama derinliklerinin ve diş eti çekilmesinin değerlendirilmesine dayanır. Periodontal Tarama İndeksi (PSI), klinik ataşman kaybını ölçmek için sıklıkla kullanılır. Bununla birlikte, bu klinik değerlendirmenin güvenilirliği düşüktür: Periodontal hastalık taraması hala diş hekimlerinin deneyimlerine dayanmaktadır ve lokalize periodontal doku kaybını gözden kaçırabilirler.
Periodontolojide AI, periodontiti teşhis etmek ve olası periodontal hastalık tiplerini sınıflandırmak için kullanılmıştır. Ayrıca, Krois ve ark. panoramik radyografilerde periodontal kemik kaybının (PBL) saptanmasında CNN’yi benimsemiştir. Lee ve ark., periodontal olarak tehlikeli dişleri otomatik olarak tespit etmek için önerilen bir CNN algoritmasının potansiyel kullanışlılığını ve doğruluğunu değerlendirdi. Yauney ve ark., periodontal koşulların, kendi araştırma grubu tarafından sistemik sağlıkla ilgili veriler kullanılarak geliştirilen bir CNN algoritması ile incelenebileceğini iddia etmiştir.
Ortodontide AI
Ortodontik tedavi planlaması genellikle ortodontistlerin deneyim ve tercihlerine göre yapılır. Her hasta ve ortodontist benzersiz olduğu için tedaviye her iki taraf da karşılıklı olarak karar verir. Geleneksel olarak, sefalometrik analizde pek çok değişkenin dikkate alınması gerektiğinden ortodontistlerin maloklüzyonu teşhis etmesi çok çaba gerektirir, öyle ki tedavi planını belirlemek ve tedavi sonucunu tahmin etmek zordur. AI, ortodontik sorunları çözmek için ideal bir araçtır. Ortodontide yapay zekanın tedavi planlamasında ve tedavi sonuçlarının tahmininde, örneğin tedavi öncesi ve sonrası yüz fotoğraflarının görünümündeki değişikliklerin simüle edilmesi gibi uygulamaları vardır. Ortodontik tedavinin etkisi, iskelet paternleri ve lateral sefalogramlardaki anatomik işaretler, hastalar ve diş hekimleri arasındaki iletişime büyük ölçüde yardımcı olan AI algoritmalarının yardımıyla açıkça görülebilir.
Thanathornwong tarafından girdi olarak ortodonti ile ilgili verilere dayanarak ortodontik tedavi ihtiyacını teşhis etmek için Bayes tabanlı bir karar destek sistemi geliştirilmiştir. Xie ve ark., lateral sefalometrik radyografilerden ekstraksiyon gerekip gerekmediğini değerlendirmek için bir YSA modeli önermiştir; Benzer bir değerlendirme sistemi Jung ve diğerleri tarafından önerilmiştir. Ortodontik amaçlar için gerekli çekimleri tahmin etme uygulamasının yanı sıra, sefalometrik noktaların yerini belirlemek için AI benimsenmiştir. Park ve ark., radyografilerdeki sefalometrik noktaları yüksek doğrulukla otomatik olarak tanımlayan bir DL algoritması buldu. Bulatova ve ark. ve Kunz ve ark., bu yer işaretlerini belirlemede insan denetçilerle karşılaştırılabilir doğruluklara sahip benzer AI algoritmaları geliştirdi. Yu ve arkadaşları tarafından lateral sefalometrik radyografiler kullanılarak iskelet sınıflandırması için otomatik bir sistem önerildi.
Birden fazla sefalometrik nokta belirleme ve sınıflandırmanın yanı sıra, ortodontik tedavi planlamasında AI sistemleri kullanılmıştır. Choi ve ark., lateral sefalometrik radyografları kullanarak ameliyatın gerekli olup olmadığına karar vermek için bir AI modeli önerdi. Görünüşe göre ortodontik uygulamaların çoğu, ortodontistler için sıkıcı prosedürler olan dönüm noktası belirleme ve tedavi planlaması üzerinedir. Ortodontik tedavi planlamasının temel görevi dişleri segmentlere ayırmak ve sınıflandırmaktır. AI, radyograflar ve tam kemerli 3D dijital optik taramalar gibi birçok kaynakta da bu amaçlar için kullanılmıştır. Cui ve ark. bir 3D intraoral tarayıcı ve CBCT görüntüleri tarafından taranan bir dijital diş modelinde dişleri otomatik olarak segmentlere ayırmak için birkaç AI algoritması önerdi. Diş segmentasyonuna ek olarak, alveol kemiğini de segmentlere ayırdılar, verimlilik radyologların işini aştı (yani 500 kat daha hızlı). Makale ayrıca, algoritmanın değişken diş anormallikleri olan zorlu vakalarda iyi çalıştığını iddia etti.
Oral ve çene-yüz patolojisinde AI
Ağız ve Çene Patolojisi (OMFP), ağız ve çene-yüz bölgesindeki patolojik durumların incelenmesi ve hastalıkların teşhis edilmesi ile ilgili bir uzmanlık dalıdır. En şiddetli OMFP tipi ağız kanseridir. Dünya Sağlık Örgütü’nün (WHO) istatistikleri, her yıl dünya çapında ağız kanseri teşhisi konan 657.000’den fazla hasta olduğunu ve bunların arasında 330.000’den fazla ölümün olduğunu göstermektedir. OMFP’de AI, radyografik, mikroskobik ve ultrasonografik görüntülere dayalı olarak çoğunlukla tümör ve kanser tespiti için araştırılmıştır. Ayrıca oral kavitedeki sinirler, interdijite dil kasları, parotis ve tükrük bezleri gibi anormal yerleşimler de AI ile radyografilerden saptanabilmektedir. CNN algoritmalarının otomatik kanser tespiti için uygun bir araç olduğu gösterilmiştir. AI’nın ayrıca risk tahmini, tanı, cerrahi öncesi ortopedi, konuşma değerlendirmesi ve cerrahide yarık dudak ve damak yönetiminde rol oynadığını belirtmekte fayda var.
Çeşitli mukozal lezyonların erken tespiti ve teşhisi, iyi huylu veya kötü huylu olarak sınıflandırılması için esastır. Malign lezyonlarda cerrahi rezeksiyon gerekir. Ancak bazı lezyonlar görünüm olarak benzer davrandığından biyopsi slaytları ve radyografilerle tanı konulmasını gerektirir. Patologlar hastalığı teşhis etmek için boyanan örneklerin morfolojisini cam slaytlar üzerinde mikroskobik kullanarak gözlemlerler. Patologlar için çok çaba gerektiren sıkıcı bir iştir. İncelenmesi gereken tüm biyopsilerin sadece yaklaşık %20’sinin malignite olduğu tespit edildi. Bu nedenle yapay zeka, patologlara bu görevde yardımcı olmak için uygun bir araç olabilir.
Warin ve ark., ağız içi optik görüntülerde oral potansiyel olarak malign bozuklukları (OPMD’ler) ve oral skuamöz hücreli karsinomu (OSCC) saptamak için bir CNN yaklaşımı kullandı. Ağız içi optik görüntülere ek olarak, OKT oral mukozadaki iyi huylu ve kötü huylu lezyonların belirlenmesinde kullanılmaktadır. James ve ark. malign ve displastik oral lezyonları ayırt etmek için YSA ve SVM modellerini kullanmışlardır.
Protetik diş hekimliğinde AI
Protetik diş hekimliğinde, bir diş tacı hazırlamak için tipik bir tedavi süreci, diş hazırlığı, ölçü alma, alçı düzeltme, restorasyon tasarımı, imalat, prova ve simantasyonu içerir. Protetik diş hekimliğinde AI uygulaması esas olarak restorasyon tasarımında yatmaktadır. CAD/CAM, CEREC, Sirona, 3Shape, vb. dahil olmak üzere ticarileştirilmiş ürünlerde tasarım işini dijitalleştirmiştir. Bu, kuron tasarımı için bir diş kitaplığı kullanarak tasarım sürecinin verimliliğini önemli ölçüde artırmış olsa da, yine de bireysel hastalar için ısmarlama bir tasarım elde edemez. AI’nın gelişmesiyle birlikte Hwang ve ark. ve Tian ve ark., teknisyenlerin tasarımlarından öğrenerek bir taç oluşturmak için 2D-GAN modellerine dayalı yeni yaklaşımlar önerdi. Eğitim verileri, 3 boyutlu diş modellerinden dönüştürülmüş 2 boyutlu derinlik haritalarıdır. Ding, kron üretiminde 3D verileri doğrudan kron üretim sürecinde kullanan bir 3D-DCGAN ağı rapor etmiştir, üretilen kronların morfolojisi doğal dişlerle karşılaştırıldığında benzerdir. AI’yı CAD/CAM veya 3D/4D baskı ile entegre etmek, yüksek verimlilikle daha arzu edilen bir iş akışı sağlayabilir. AI aynı zamanda CAD/CAM restorasyonlarının renk uyumu ve debonding tahmininde kullanılmıştır.
Sabit protezlerin yanı sıra hareketli protezlerde tasarım, daha fazla faktör ve değişkenin dikkate alınması gerektiğinden daha zordur. Birkaç uzman (bilgiye dayalı) sistem tanıtılırken (89-91), hareketli takma dişlerin tasarlanması amacıyla hiçbir makine öğrenimi algoritması mevcut değildir. Mevcut makine öğrenimi algoritmaları daha çok hareketli takma dişlerin tasarım sürecine, örneğin diş kemerlerinin sınıflandırılmasına (87) ve dişsiz hastalarda yüz görünümünün tahminine (92) yardımcı olmaya odaklanmıştır.
Sonuç
Dental alanda yeni teknolojiler hızla geliştirilmekte ve benimsenmektedir. Yapay zeka, tarafsız eğitim verileri kullanılırsa ve bir algoritma uygun şekilde eğitilirse yüksek doğruluk ve verimlilik gibi özelliklerle en umut verici olanlar arasındadır. Diş hekimleri yapay zekayı iş yüklerini azaltmak ve teşhis, karar verme, tedavi planlaması, tedavi sonuçlarının tahmini ve hastalık prognozunda kesinliği ve doğruluğu artırmak için tamamlayıcı bir araç olarak kullanabilirler.
Kaynak: https://www.frontiersin.org/articles/10.3389/fdmed.2023.1085251/full
