هوش مصنوعی در برنامهریزی ایمپلنت دندانی؛ دستیار دقیق یا جایگزین دندانپزشک؟
هوش مصنوعی در پلنینگ ایمپلنت بر پایه CBCT؛ دقت بالا، اما هنوز نه برای تصمیمگیری مستقل
معرفی مقاله
مقالهی Dental implant planning using artificial intelligence: A systematic review and meta-analysis یک مرور نظاممند و متاآنالیز درباره نقش هوش مصنوعی در برنامهریزی ایمپلنت دندانی است. تمرکز اصلی مقاله روی این سؤال است که آیا الگوریتمهای AI میتوانند بر اساس تصاویر CBCT، ناحیه بیدندانی را شناسایی کنند و ابعاد استخوانی لازم برای پلنینگ ایمپلنت را با دقت قابل قبول اندازهگیری کنند یا نه.
این مقاله توسط Ahmed Yaseen Alqutaibi، Radhwan Algabri، Wafaa Ibrahim Ibrahim، Mohammed Nasser Alhajj و Dina Elawady نوشته شده و در The Journal of Prosthetic Dentistry منتشر شده است.
نویسندگان از دانشگاهها و مراکز دندانپزشکی عربستان سعودی، یمن و مصر وابستگی علمی دارند؛ از جمله Taibah University، Ibb University، National University، Delta University for Science and Technology، Thamar University و October University for Modern Sciences and Arts.
مسئله اصلی در پلنینگ ایمپلنت چیست؟
پلنینگ ایمپلنت، صرفاً پیدا کردن یک فضای خالی در قوس دندانی نیست. در پلنینگ دقیق، دندانپزشک باید چند لایه اطلاعات را همزمان تحلیل کند:
- موقعیت سهبعدی ناحیه بیدندانی
- ارتفاع و عرض کرست آلوئولار
- فاصله از کانال مندیبولار
- ارتباط با سینوس ماگزیلا و کف بینی
- شکل و زاویه ریج
- تیلت دندانهای مجاور
- فضای پروتزی و مسیر خروجی روکش
- امکان انتخاب قطر و طول مناسب ایمپلنت
- ریسک فنستریشن، دِهیسنس یا درگیری ساختارهای حیاتی
در حالت معمول، این تحلیل بر اساس تفسیر دستی CBCT و تجربه دندانپزشک انجام میشود. اما تفسیر دستی همیشه کاملاً استاندارد نیست. تفاوت تجربه اپراتور، کیفیت تصویر، voxel size، آرتیفکتهای فلزی، پیچیدگی آناتومی و خطای دید میتوانند باعث اختلاف در تشخیص و اندازهگیری شوند.
هوش مصنوعی دقیقاً در همین نقطه وارد میشود:
نه برای جایگزینی دندانپزشک، بلکه برای کمک به تشخیص، سگمنتیشن ساختارها و کاهش خطای اپراتوری.
AI در این مقاله چه وظایفی را بررسی کرده است؟
در این مرور، کاربرد AI عمدتاً در چهار محور بررسی شده است:
۱. تشخیص ناحیه بیدندانی
الگوریتمهای AI تلاش میکنند از روی CBCT مشخص کنند کدام ناحیه برای پلنینگ ایمپلنت کاندید است. این کار در نگاه اول ساده به نظر میرسد، اما در بیماران پارشیالی ادنتولوس، وجود تراکمهای استخوانی، ریشههای باقیمانده، تیلت دندانهای مجاور یا نواحی آرتیفکتدار میتواند تشخیص را پیچیده کند.
۲. سگمنتیشن دندان، استخوان و نواحی بیدندانی
برخی مدلها فقط ناحیه خالی را تشخیص نمیدهند، بلکه دندانها، استخوان آلوئولار، ناحیه بیدندانی و گاهی ساختارهای آناتومیک مجاور را سگمنت میکنند. این بخش برای طراحی گاید جراحی و پلنینگ سهبعدی اهمیت زیادی دارد.
۳. اندازهگیری ارتفاع و عرض استخوان
یکی از کاربردهای مهم AI، اندازهگیری bone height و bone width در سایت ایمپلنت است. این اندازهگیریها میتوانند به انتخاب قطر و طول ایمپلنت کمک کنند، اما هنوز باید با احتیاط تفسیر شوند؛ چون اختلافهایی بین اندازهگیری AI و اندازهگیری دستی گزارش شده است.
۴. تشخیص مارکرهای رادیوگرافیک و موقعیت پیشنهادی ایمپلنت
در بعضی مطالعات، AI برای شناسایی gutta-percha marker یا fiducial marker در استنت رادیوگرافیک استفاده شده است. این بخش به پلنینگ پروتزی-محور نزدیکتر است، اما نتایج مطالعات در این حوزه هنوز یکنواخت و قطعی نیست.
چه مدلهایی از هوش مصنوعی بررسی شدهاند؟
مطالعات واردشده در این مقاله از مدلهای مختلف یادگیری عمیق و شبکههای عصبی استفاده کردهاند، از جمله:
- 3D U-Net
- U-Net
- V-Net
- Faster R-CNN
- Mask R-CNN
- YOLO / Dental-YOLO
- DenseNet169
- MobileNetV3
- VGG16 / VGG19
- ResNet50
- SSD
- V2V-PoseNet
- Transformer-based models مانند ImplantFormer و Deformable DETR
این تنوع مدلها از یک طرف نشان میدهد که حوزه AI در ایمپلنتولوژی فعال و در حال رشد است؛ اما از طرف دیگر، مقایسه مستقیم نتایج را سخت میکند، چون هر مطالعه از دیتاست، معیار ارزیابی و هدف متفاوتی استفاده کرده است.
نتایج اصلی متاآنالیز
در این مقاله، از بین ۱۲ مطالعه واردشده به مرور، فقط بخشی از مطالعات دادههای قابل ترکیب برای متاآنالیز داشتند. دلیل آن این بود که شاخصهای ارزیابی در مطالعات یکسان نبود؛ بعضی accuracy گزارش کرده بودند، بعضی precision، بعضی Dice similarity coefficient و بعضی AUC.
نتیجه تجمیعی برای تشخیص ناحیه بیدندانی این بود:
- دقت AI در تشخیص ناحیه بیدندانی مندیبل: حدود ۹۶٪
- دقت AI در تشخیص ناحیه بیدندانی ماگزیلا: حدود ۸۳٪
این اختلاف از نظر کلینیکی مهم است. در مندیبل، مرزهای استخوانی و نواحی بیدندانی در بسیاری از موارد برای الگوریتم قابل تفکیکتر هستند. اما در ماگزیلا، وجود سینوس ماگزیلا، کف بینی، فوساها، تفاوت تراکم استخوان و پیچیدگی بیشتر آناتومی باعث کاهش دقت سگمنتیشن و تشخیص میشود.
بنابراین نباید فقط عدد ۹۶٪ را برجسته کرد. پیام درست این است:
AI در مندیبل عملکرد بسیار امیدوارکنندهای نشان داده، اما در ماگزیلا هنوز چالشهای جدیتری دارد.
دقت بالا یعنی چه؟ خطای رایج در برداشت از مقاله
یکی از اشتباهات رایج در تفسیر چنین مقالاتی این است که تصور کنیم accuracy بالا یعنی AI میتواند پلنینگ کامل ایمپلنت را انجام دهد. این برداشت غلط است.
در این مقاله، بخش عمدهی دقت گزارششده مربوط به تشخیص ناحیه بیدندانی است، نه کل تصمیمگیری ایمپلنتولوژیک.
تشخیص ناحیه بیدندانی فقط یکی از مراحل پلنینگ است. تصمیم نهایی برای ایمپلنت هنوز به عوامل دیگری وابسته است:
- کیفیت استخوان
- ضخامت کرست در ناحیه کرستال و اپیکال
- نیاز به GBR یا sinus lift
- رابطه ایمپلنت با طرح پروتزی
- emergence profile
- فضای مزیودیستالی و باکولینگوالی
- شرایط اکلوزال
- محدودیتهای سیستم ایمپلنت
- تجربه جراح
پس عدد accuracy بالا نباید به معنی «قابل اعتماد بودن کامل AI برای طرح درمان» تفسیر شود.
وضعیت AI در اندازهگیری استخوان
در اندازهگیری height و width استخوان، نتایج مقاله محتاطانهتر است. بعضی مطالعات نشان دادند اندازهگیری AI با اندازهگیری دستی قابل مقایسه است، اما در برخی نواحی اختلاف دیده شد.
یک نکته مهم این است که AI گاهی مقادیر بیشتری از استخوان قابل استفاده را نسبت به اندازهگیری دستی گزارش کرده است. این موضوع از نظر بالینی حساس است، چون اگر AI ارتفاع یا عرض استخوان را بیشبرآورد کند، ممکن است انتخاب طول یا قطر ایمپلنت را به سمت تصمیم پرریسک ببرد.
برای مثال، در نواحی نزدیک به کانال مندیبولار، صرف تشخیص کانال کافی نیست. الگوریتم باید بتواند مسیر کانال، ضخامت استخوان باکال و لینگوال، angulation ریج و فاصله ایمن از ساختار حیاتی را درست لحاظ کند. اگر مدل فقط یک اندازهگیری خطی ساده ارائه دهد، برای تصمیمگیری جراحی کافی نیست.
بنابراین در حال حاضر، اندازهگیری AI باید بهعنوان پیشنهاد اولیه دیده شود، نه اندازهگیری نهایی برای انتخاب ایمپلنت.
چرا AI در ماگزیلا ضعیفتر عمل میکند؟
کاهش دقت AI در ماگزیلا از نظر بیولوژیک و رادیوگرافیک قابل توضیح است. ماگزیلا نسبت به مندیبل پیچیدگی بیشتری دارد:
- حضور سینوس ماگزیلا
- تغییرات زیاد در pneumatization سینوس
- تراکم استخوانی کمتر و کنتراست ضعیفتر در CBCT
- مجاورت با کف بینی
- شکل نامنظم ریج بعد از تحلیل استخوان
- دشواری تعیین مرز دقیق استخوان قابل استفاده
- آرتیفکتهای احتمالی در نواحی خلفی
به همین دلیل، اگر در یک محتوا برای دندانپزشکان فقط بنویسیم «AI در پلنینگ ایمپلنت دقت بالایی دارد»، متن ضعیف و تبلیغاتی میشود. نکته تخصصیتر این است که performance مدلها باید بر اساس arch، ناحیه آناتومیک و نوع task جداگانه تحلیل شود.
تفاوت unilateral و bilateral edentulism
یکی از نکات مهم مقاله این است که عملکرد AI در نواحی بیدندانی یکطرفه بهتر از موارد دوطرفه گزارش شده است. در یک مطالعه، Dice similarity coefficient برای نواحی بیدندانی unilateral حدود ۹۱٪ و برای bilateral حدود ۷۳٪ گزارش شد.
این اختلاف مهم است، چون در موارد bilateral، الگوریتم باید مرزهای وسیعتر و پیچیدهتری را تحلیل کند. همچنین تعداد نمونههای bilateral در دیتاستهای آموزشی معمولاً کمتر است و همین موضوع میتواند باعث افت عملکرد مدل در تستهای واقعی شود.
از نظر بالینی، این یعنی در بیماران با edentulous span وسیع یا bilateral distal extension، اعتماد کورکورانه به خروجی AI خطرناکتر است.
نقد روششناسی مقاله
از نظر روششناسی، مقاله چند نقطه قوت دارد:
- مرور نظاممند و متاآنالیز است
- جستوجو در چند دیتابیس معتبر انجام شده
- مطالعات بدون محدودیت زمانی و زبانی بررسی شدهاند
- پروتکل مطالعه در PROSPERO ثبت شده
- ارزیابی کیفیت مطالعات با QUADAS-2 انجام شده
- ریسک بایاس در ۴ حوزه patient selection، index test، reference standard و flow/timing بررسی شده است
اما محدودیتهای جدی هم وجود دارد:
۱. تعداد کم مطالعات قابل ورود به متاآنالیز
اگرچه ۱۲ مطالعه وارد مرور شدند، اما فقط تعداد محدودی برای متاآنالیز قابل استفاده بودند. بنابراین عددهای تجمیعی باید با احتیاط تفسیر شوند.
۲. ناهمگونی بالا
در تحلیل ماگزیلا، قبل از sensitivity analysis، ناهمگونی بالا گزارش شده بود. این یعنی نتایج مطالعات تفاوت زیادی با هم داشتهاند و یک عدد واحد نمیتواند تمام واقعیت را نشان دهد.
۳. تفاوت در معیارهای ارزیابی
برخی مطالعات از accuracy استفاده کردند، برخی precision، برخی DSC و برخی AUC. این تفاوت باعث میشود مقایسه مدلها ساده نباشد.
۴. تمرکز محدود بر بخشی از پلنینگ
بیشتر مطالعات روی تشخیص ناحیه بیدندانی یا سگمنتیشن تمرکز داشتند، نه کل پلنینگ ایمپلنت. هنوز درباره انتخاب نهایی سایز ایمپلنت، ارزیابی bone quality، تصمیم برای augmentation و پیشبینی outcome جراحی شواهد کافی وجود ندارد.
۵. مشکل تعمیمپذیری
مدلهای AI معمولاً روی دیتاستهای خاص آموزش میبینند. اگر دیتاست آموزشی از یک جمعیت، یک دستگاه CBCT یا یک پروتکل تصویربرداری خاص آمده باشد، عملکرد مدل در کلینیکهای دیگر الزاماً مشابه نخواهد بود.
پیام بالینی برای دندانپزشک
این مقاله نشان میدهد AI میتواند در آینده نزدیک بخشی از workflow دیجیتال ایمپلنت شود، مخصوصاً در این موارد:
- خواندن سریعتر CBCT
- تشخیص اولیه ناحیه بیدندانی
- سگمنتیشن استخوان و دندان
- کمک به اندازهگیری اولیه height و width
- کاهش وابستگی به تفسیر ذهنی اپراتور
- افزایش سرعت آمادهسازی پلنینگ دیجیتال
اما نقش فعلی آن باید محدود و منطقی تعریف شود:
AI در حال حاضر ابزار کمکتشخیصی است، نه طراح مستقل درمان ایمپلنت.
دندانپزشک همچنان باید خروجی AI را با CBCT خام، معاینه کلینیکی، طرح پروتزی، شرایط بافت نرم، محدودیتهای جراحی و اصول ایمپلنتولوژی تطبیق دهد.
جمعبندی تخصصی
هوش مصنوعی در برنامهریزی ایمپلنت، بهخصوص در تشخیص نواحی بیدندانی روی CBCT، نتایج امیدوارکنندهای نشان داده است. دقت بالاتر در مندیبل نسبت به ماگزیلا نشان میدهد که عملکرد AI وابسته به پیچیدگی آناتومیک است و نمیتوان آن را بهصورت یکسان برای همه نواحی دهان تفسیر کرد.
در اندازهگیری استخوان نیز AI میتواند کمککننده باشد، اما اختلافهایی با اندازهگیری دستی وجود دارد و هنوز برای انتخاب نهایی سایز ایمپلنت باید توسط دندانپزشک کنترل شود.
نتیجه عملی برای کلینیک این است:
AI میتواند پلنینگ ایمپلنت را سریعتر، ساختارمندتر و تا حدی دقیقتر کند؛ اما تصمیم نهایی همچنان باید بر اساس قضاوت کلینیکی دندانپزشک و اصول پروتزی-جراحی گرفته شود.
منبع
Alqutaibi AY, Algabri R, Ibrahim WI, Alhajj MN, Elawady D.
Dental implant planning using artificial intelligence: A systematic review and meta-analysis.
The Journal of Prosthetic Dentistry. 2025;134:1619–1629.
DOI: 10.1016/j.prosdent.2024.03.032
