فراتر از چشم غیرمسلح: رویکردی نوین در تشخیص دقیق دندانپزشکی با یادگیری عمیق
در شرکت نیک فناور نصیر، ما معتقدیم آینده پزشکی در ادغام هوشمندانه سیستمهای پیشرفته با روالهای معمول کلینیکی نهفته است. امروز، جزئیات یکی از مهمترین دستاوردهای علمی خود را با شما به اشتراک میگذاریم: مقاله «رویکرد پیشرفته مبتنی بر یادگیری عمیق برای تشخیص دندان و قطعهبندی پوسیدگی و ترمیم در تصاویر رادیوگرافی» که توسط تیم فنی ما در آزمایشگاه اسمارتطوری (Smartory Labs) توسعه یافته است.
این پژوهش، هسته الگوریتمی پلتفرم اسمارتیث (Smarteeth) را تشکیل میدهد و پاسخی علمی به یکی از چالشهای اصلی دندانپزشکی است: ثبات در تشخیص. از آنجا که توانایی دندانپزشکان در تشخیص پوسیدگی ممکن است تحت تأثیر عواملی مانند تجربه، خستگی یا کیفیت تصویر متغیر باشد، ما روشی یکپارچه توسعه دادیم تا دقت تشخیص را استانداردسازی کرده و ارتقا دهیم.
چالش: پیچیدگی در رادیوگرافی
تصاویر رادیوگرافی دندان حاوی اطلاعات بسیار متراکمی هستند. یکی از مشکلات اصلی در مطالعات پیشین هوش مصنوعی، ناتوانی در مدیریت همزمان انواع مختلف تصاویر (مانند پانورامیک در برابر بایتوینگ) یا شمارهگذاری دقیق دندانها به دلیل تقارن بصری فک بود. علاوه بر این، عدم تعادل دادهها (Class Imbalance) — جایی که تعداد دندانهای سالم در دادههای آموزشی بسیار بیشتر از دندانهای پوسیده است — اغلب منجر به نتایج اریب میشد.
راهکار: یک فرآيند (Pipeline) یکپارچه و نوین
مقاله ما یک فرآيند دو مرحلهای را معرفی میکند که دقیقاً از روش تحلیل یک متخصص دقیق الگوبرداری شده است. به جای اینکه برای یافتن پوسیدگی به کل دهان به صورت یکجا نگاه کنیم، روش ما مسئله را خرد میکند:
۱. تشخیص و شمارهگذاری هوشمند (مکانیابی)
در گام نخست، ما از یک مدل شخصیسازی شده YOLOv8 برای تشخیص تکتک دندانها استفاده میکنیم. با این حال، هوش مصنوعی معمولاً به دلیل تقارن فک، سمت چپ و راست دهان را اشتباه میگیرد. برای حل این مشکل، ما یک تکنیک پسپردازش (Post-processing) نوین ابداع کردیم. این الگوریتم با تحلیل موقعیت دندانها، خطاهای پیشبینی را بهطور خودکار اصلاح میکند و به دقت تشخیص بالای ۹۰٪ دست مییابد. این سیستم به هر دندان، شماره استاندارد جهانی (UTN) را اختصاص میدهد.
۲. قطعهبندی دقیق (ماهیتشناسی)
پس از تشخیص موقعیت، سیستم هر دندان را برش (Crop) میدهد. با تمرکز بر روی دندانهای تکی به جای کل تصویر رادیوگرافی، مدل قطعهبندی (Segmentation) ما میتواند جزئیات بسیار ریز را شناسایی کند. این امر امکان تفکیک دقیق موارد زیر را فراهم میکند:
- پوسیدگیها (Caries)
- ترمیمها (Restorations)
این رویکرد هدفمند منجر به ۶.۸٪ بهبود در دقت کلی (mAP@50) نسبت به مدلهای پیشرفته فعلی شده است.
کاربرد در محیط بالینی
تمرکز این پژوهش بر ارائه راهکاری است که علاوه بر دقت فنی، در جریان کاری دندانپزشکی نیز کارآمد باشد.
پشتیبانی چندجانبه:
این متدولوژی قابلیت پردازش انواع تصاویر رادیوگرافی (پانورامیک، بایتوینگ و پریاپیکال) را در یک چارچوب واحد دارد.
افزایش بهرهوری:
با خودکارسازی فرآیندهای زمانبر نظیر شمارهگذاری دندانها، این سیستم به مدیریت بهینه زمان و منابع در مراکز درمانی کمک میکند.
ثبات در تشخیص:
این ابزار به عنوان یک دستیار هوشمند، میتواند نوسانات ناشی از تفاوت در قضاوتهای فردی را کاهش داده و به استانداردسازی فرآیند تشخیص کمک نماید.
رویکرد علمی و فنی
انتشار این پژوهش در مجامع علمی، گامی جهت شفافسازی و اعتبارسنجی الگوریتمهای مورد استفاده در سامانه اسمارتیث است. با بهرهگیری از مجموعهدادههای استاندارد جهانی (مانند Tufts) و روشهای دقیق ارزیابی، ما تلاش کردهایم تا فاصله میان مدلهای آزمایشگاهی و نیازهای واقعی بالینی را کاهش دهیم. این رویکرد تضمین میکند که راهکارهای توسعهیافته در نیک فناور نصیر، بر پایهای مستحکم از دانش فنی بنا شده و میتوانند به عنوان ابزاری دقیق و قابل اتکا در فرآیند تشخیص پزشکی ایفای نقش کنند.
مطالعه متن کامل مقاله فنی ارائهشده در یازدهمین کنفرانس بینالمللی رباتیک و مکاترونیک (ICRoM 2023): IEEE Xplore