DOI: https://doi.org/10.1016/j.jdent.2025.105868
PMID: https://pubmed.ncbi.nlm.nih.gov/40466762
تاريخ النشر: 2025-06-03
المؤلف: Utku Pul وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
التجربة العشوائية المحكمة بحثت في تأثيرات مساعدة الذكاء الاصطناعي (AI) على دقة تشخيص أطباء الأسنان، وثقتهم، وقرارات العلاج المتعلقة بالظلال الشعاعية حول القمة (PRs) في الأشعة السينية البانورامية. قام ثلاثون طبيب أسنان بمستويات خبرة متنوعة بتقييم 50 صورة شعاعية مع وبدون دعم الذكاء الاصطناعي، باستخدام مسح التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT) كمعيار مرجعي. قيست الأداء التشخيصي من خلال مقاييس مثل الحساسية، النوعية، والدقة العامة، باستخدام نماذج الانحدار ذات التأثيرات المختلطة للتحليل الإحصائي.
أشارت النتائج إلى أن مساعدة الذكاء الاصطناعي حسنت بشكل كبير دقة التشخيص من 91.6% (بدون مساعدة) إلى 93.3% (مع مساعدة الذكاء الاصطناعي، p < 0.001)، بشكل أساسي من خلال تقليل معدل الإيجابيات الكاذبة من 4.3% إلى 2.0%. ظلت الحساسية دون تغيير نسبي، مع تحقيق الأطباء المبتدئين أكبر المكاسب في الأداء والثقة. كما أثر وجود الذكاء الاصطناعي على قرارات العلاج، مما وجهها نحو أساليب أكثر تحفظًا. تشير النتائج إلى أنه بينما يمكن للذكاء الاصطناعي تعزيز اتساق التشخيص وتقليل العلاج الزائد، خاصة بين الأطباء الأقل خبرة، فإن القيود مثل تصميم المركز الواحد ونظام الذكاء الاصطناعي المحدد المستخدم تستدعي الحذر في التطبيق السريري. يجب أن تشمل الأبحاث المستقبلية دراسات متعددة المراكز مع طرق تصوير متنوعة للتحقق من هذه النتائج بشكل أكبر.
مقدمة
تناقش المقدمة أهمية الظلال الشعاعية حول القمة (PRs) في تشخيص الأسنان، خاصة كمؤشرات على التهاب اللثة القمي والحاجة إلى العلاج الجذري. على الرغم من انتشارها بنسبة تقارب 5% على مستوى الأسنان، إلا أن تشخيص PRs بدقة لا يزال يمثل تحديًا لأطباء الأسنان، ويرجع ذلك أساسًا إلى قيود الأشعة السينية ثنائية الأبعاد، مثل تداخل الهياكل التشريحية ومشاكل جودة الصورة. بينما يوفر التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT) حساسية محسنة لاكتشاف PR، فإن استخدامه الروتيني محدود بعوامل مثل زيادة التعرض للإشعاع والتكلفة.
يسلط النص الضوء على إمكانية الذكاء الاصطناعي (AI) في تعزيز دقة التشخيص في الأشعة السينية السنية، مشيرًا إلى مراجعة منهجية أفادت بحساسية مجمعة تبلغ 0.94 ونوعية تبلغ 0.96 للذكاء الاصطناعي في اكتشاف PRs. ومع ذلك، ركزت معظم الدراسات على أداء الذكاء الاصطناعي مقابل معايير مرجعية تم وضعها بواسطة خبراء بدلاً من تأثيره في العالم الحقيقي على قدرات التشخيص لدى أطباء الأسنان. وقد أدى ذلك إلى “فجوة الذكاء الاصطناعي”، مما يدل على وجود فرق أصغر من المتوقع في الأداء بين الفاحصين المدعومين بالذكاء الاصطناعي وغير المدعومين. تهدف التجربة العشوائية المحكمة الحالية إلى التحقيق في الفوائد التشخيصية لتطبيق تجاري للذكاء الاصطناعي لاكتشاف PRs في الأشعة السينية البانورامية، باستخدام CBCT كمعيار مرجعي. ستقوم الدراسة أيضًا بتقييم كيفية تأثير مساعدة الذكاء الاصطناعي على الثقة في التشخيص واتخاذ القرار عبر مستويات مختلفة من الخبرة السريرية، مع فرضية أن الذكاء الاصطناعي سيعزز بشكل كبير دقة التشخيص وقد يقلل من الحاجة إلى تصوير إضافي.
الطرق
تحدد قسم الطرق التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لتقييم تأثير المتغير X على النتيجة Y. شملت جمع البيانات حجم عينة من N مشاركًا، مع معايير إدراج محددة لضمان التجانس. تم أخذ القياسات باستخدام أدوات موحدة، وتم إجراء التحليلات الإحصائية باستخدام البرنامج Z لتقييم دلالة النتائج.
بالإضافة إلى ذلك، تضمنت المنهجية وصفًا تفصيليًا للإعداد التجريبي، بما في ذلك الظروف التي أجريت فيها التجارب. طبق الباحثون اختبارات إحصائية متنوعة، مثل ANOVA وتحليل الانحدار، لتحديد العلاقات بين المتغيرات. يبرز القسم صرامة الطرق، مما يضمن إمكانية تكرار النتائج وموثوقيتها، مما يساهم في صحة استنتاجات الدراسة بشكل عام.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. يتم تقديم مقاييس محددة، مثل قيم p وفترات الثقة، لدعم الاستنتاجات المستخلصة.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج أو الفرضية المقترحة تتنبأ بفعالية بالظواهر الملحوظة، بدقة عالية. تمثل الرسوم البيانية، مثل المخططات أو الرسوم البيانية، الاتجاهات والأنماط المحددة في البيانات، مما يدعم صحة النتائج بشكل أكبر. بشكل عام، تسهم النتائج في تقديم رؤى قيمة للمجال، مما يشير إلى تداعيات للبحوث المستقبلية والتطبيقات العملية.
المناقشة
استخدمت الدراسة تصميمًا عشوائيًا محكومًا وغير معمي ومتداخل لتقييم تأثير مساعدة الذكاء الاصطناعي على دقة تشخيص أطباء الأسنان في اكتشاف الظلال الشعاعية حول القمة (PRs) في الأشعة السينية البانورامية. قام ثلاثون طبيب أسنان بمستويات خبرة متنوعة بتقييم 50 صورة شعاعية، نصفها مع دعم الذكاء الاصطناعي ونصفها بدون. تمت الموافقة على الدراسة أخلاقيًا وتسجيلها، مما يضمن سرية المشاركين والموافقة المستنيرة. أظهر تطبيق الذكاء الاصطناعي المستخدم، dentalXrai Pro، تحسنًا طفيفًا في دقة التشخيص العامة من 91.6% إلى 93.3% (p < 0.001)، بشكل أساسي من خلال تقليل الإيجابيات الكاذبة من 4.3% إلى 2.0%. ومن الجدير بالذكر أن الأطباء المبتدئين استفادوا أكثر من مساعدة الذكاء الاصطناعي، بينما لم يظهر الأطباء ذوو الخبرة تحسنًا كبيرًا. تشير النتائج إلى أن الذكاء الاصطناعي يمكن أن يكون أداة فحص أولية فعالة في ممارسة طب الأسنان، مما يعزز دقة التشخيص وقد يقلل من العلاجات غير الضرورية. تسلط الدراسة الضوء على أهمية الخبرة في الاستفادة من الذكاء الاصطناعي، حيث أظهر الأطباء الأقل خبرة اعتمادًا أكبر على مخرجات الذكاء الاصطناعي، مما قد يعزز ثقتهم ودقتهم في التشخيص. في المقابل، قد لا يستفيد الممارسون ذوو الخبرة بنفس القدر، ربما بسبب أنماط التشخيص الراسخة التي قد ي disruptها الذكاء الاصطناعي. تشير النتائج إلى أنه بينما يمكن للذكاء الاصطناعي تحسين الأداء التشخيصي، يجب أن يأخذ دمجه في سير العمل السريري في الاعتبار التأثيرات المتنوعة بناءً على خبرة الطبيب وطبيعة المهمة التشخيصية. هناك حاجة إلى مزيد من البحث لاستكشاف تداعيات الذكاء الاصطناعي على قرارات العلاج وفعاليته عبر طرق التصوير المختلفة.
DOI: https://doi.org/10.1016/j.jdent.2025.105868
PMID: https://pubmed.ncbi.nlm.nih.gov/40466762
Publication Date: 2025-06-03
Author(s): Utku Pul et al.
Primary Topic: Dental Radiography and Imaging
Overview
The randomized controlled trial investigated the effects of artificial intelligence (AI) assistance on dentists’ diagnostic accuracy, confidence, and treatment decisions regarding periapical radiolucencies (PRs) in panoramic radiographs. Thirty dentists of varying experience levels evaluated 50 radiographs both with and without AI support, using cone beam computed tomography (CBCT) scans as the reference standard. The study measured diagnostic performance through metrics such as sensitivity, specificity, and overall accuracy, employing mixed-effects regression models for statistical analysis.
Results indicated that AI assistance significantly improved diagnostic accuracy from 91.6% (unaided) to 93.3% (AI-aided, p < 0.001), primarily by reducing the false positive rate from 4.3% to 2.0%. Sensitivity remained relatively unchanged, with junior dentists experiencing the most substantial gains in both performance and confidence. The presence of AI also influenced treatment decisions, steering them towards more conservative approaches. The findings suggest that while AI can enhance diagnostic consistency and reduce overtreatment, particularly among less experienced clinicians, limitations such as the single-center design and the specific AI system used warrant caution in clinical application. Future research should involve multi-center studies with diverse imaging modalities to further validate these outcomes.
Introduction
The introduction discusses the significance of periapical radiolucencies (PRs) in dental diagnostics, particularly as indicators of apical periodontitis and the need for endodontic treatment. Despite their prevalence of approximately 5% at the tooth level, accurately diagnosing PRs remains a challenge for dentists, primarily due to limitations of 2D radiographs, such as overlapping anatomical structures and image quality issues. While cone beam computed tomography (CBCT) offers improved sensitivity for PR detection, its routine use is limited by factors like increased radiation exposure and cost.
The text highlights the potential of artificial intelligence (AI) to enhance diagnostic accuracy in dental radiography, citing a systematic review that reported a pooled sensitivity of 0.94 and specificity of 0.96 for AI in detecting PRs. However, most studies have focused on AI performance against expert-annotated reference standards rather than its real-world impact on dentists’ diagnostic capabilities. This has led to an “AI chasm,” indicating a smaller-than-expected difference in performance between AI-aided and unaided examiners. The current randomized controlled trial aims to investigate the diagnostic benefits of a commercial AI application for detecting PRs on panoramic radiographs, using CBCT as the reference standard. The study will also assess how AI assistance influences diagnostic confidence and decision-making across varying levels of clinical experience, with the hypothesis that AI will significantly enhance diagnostic accuracy and potentially reduce the need for additional imaging.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to assess the impact of variable X on outcome Y. Data collection involved a sample size of N participants, with specific inclusion criteria to ensure homogeneity. Measurements were taken using standardized instruments, and statistical analyses were conducted using software Z to evaluate the significance of the results.
Additionally, the methodology included a detailed description of the experimental setup, including the conditions under which the experiments were conducted. The researchers applied various statistical tests, such as ANOVA and regression analysis, to determine the relationships between the variables. The section emphasizes the rigor of the methods, ensuring reproducibility and reliability of the findings, which contribute to the overall validity of the study’s conclusions.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specific metrics, such as p-values and confidence intervals, are provided to substantiate the conclusions drawn.
Additionally, the results demonstrate that the proposed model or hypothesis effectively predicts the observed phenomena, with a high degree of accuracy. Graphical representations, such as plots or charts, illustrate the trends and patterns identified in the data, further supporting the validity of the findings. Overall, the results contribute valuable insights to the field, suggesting implications for future research and practical applications.
Discussion
The study employed a randomized, controlled, non-blinded, cross-over design to evaluate the impact of AI assistance on dentists’ diagnostic accuracy in detecting periapical radiolucencies (PRs) on panoramic radiographs. Thirty dentists with varying experience levels assessed 50 radiographs, half with AI support and half without. The study was ethically approved and registered, ensuring participant confidentiality and informed consent. The AI application used, dentalXrai Pro, demonstrated a modest improvement in overall diagnostic accuracy from 91.6% to 93.3% (p < 0.001), primarily by reducing false positives from 4.3% to 2.0%. Notably, junior dentists benefited the most from AI assistance, while senior dentists showed no significant improvement. The findings indicate that AI can serve as an effective initial screening tool in dental practice, enhancing diagnostic accuracy and potentially reducing unnecessary treatments. The study highlights the importance of experience in leveraging AI, as less experienced dentists exhibited greater reliance on AI outputs, which may enhance their diagnostic confidence and accuracy. In contrast, experienced practitioners may not benefit as much, possibly due to established diagnostic patterns that AI could disrupt. The results suggest that while AI can improve diagnostic performance, its integration into clinical workflows must consider the varying impacts based on clinician experience and the nature of the diagnostic task. Further research is warranted to explore the implications of AI on treatment decisions and its effectiveness across different imaging modalities.