DOI: https://doi.org/10.3389/fdmed.2026.1730454
PMID: https://pubmed.ncbi.nlm.nih.gov/41836485
تاريخ النشر: 2026-02-27
المؤلف: Sanaa Aljamani وآخرون
الموضوع الرئيسي: البحث في طب الأسنان وكوفيد-19
نظرة عامة
تستكشف هذه الدراسة تطوير أداة مدعومة بالذكاء الاصطناعي تهدف إلى تحسين التدريب على علاج الجذور قبل السريرية من خلال تقديم ملاحظات شخصية حول تحديد طول العمل الشعاعي. تم إنشاء مجموعة بيانات تحتوي على 3,000 صورة شعاعية مصنفة، مقسمة إلى أطوال عمل مثالية، وممتدة بشكل زائد، وممتدة بشكل ناقص، واستخدمت لتدريب 22 نموذجًا من الشبكات العصبية الالتفافية (CNN). حقق النموذج الأفضل أداءً مقاييس مثيرة للإعجاب، بما في ذلك دقة تتراوح بين 97%-99%، ودرجة F1 تتراوح بين 95%-98%، ومتوسط وقت اختبار قدره 0.54 ثانية.
تم دمج الأداة في منصة قائمة على الويب وتم تقييمها من قبل 30 طالبًا في طب الأسنان، الذين أبلغوا عن درجات استخدام عالية عبر أبعاد مختلفة، مما يشير إلى أن النظام واضح ويدعم عملية تعلمهم. تشير النتائج إلى أن آلية الملاحظات المدفوعة بالذكاء الاصطناعي لا تعزز فقط التجربة التعليمية ولكن تسهل أيضًا تحسين المهارات في علاج الجذور، خاصة في البيئات التي تحتوي على أعداد كبيرة من الطلاب. ستسعى الأبحاث المستقبلية إلى توسيع مجموعة البيانات ودمج مراحل إضافية من تدريب قناة الجذر في منصة تعليمية شاملة قائمة على الذكاء الاصطناعي.
مقدمة
تناقش مقدمة ورقة البحث أهمية علاج قناة الجذر (RCT) في مجال علاج الجذور، مع التأكيد على هدفه الأساسي المتمثل في القضاء على التهابات لب الأسنان. يتم تحقيق ذلك من خلال عملية منهجية تشمل تنظيف وتشكيل نظام قناة الجذر باستخدام أدوات ومواد متخصصة. تشير هذه الفقرة إلى الشكل 1، الذي يمثل بصريًا المراحل المختلفة لعلاج قناة الجذر، مع تسليط الضوء على أهمية كل من طرق التنظيف الكيميائية والميكانيكية للوصول إلى طول العمل المناسب لقناة الجذر، تليها تعبئة القناة بمواد تعبئة قناة الجذر المحددة.
النتائج
في هذا القسم، يتم تقديم نتائج تقييم نماذج الشبكات العصبية الالتفافية (CNN) المختلفة لتصنيف أطوال العمل في الأشعة السنية. تم حساب مقاييس الأداء الرئيسية، بما في ذلك الدقة، ودرجة F1، والدقة، والاسترجاع، لكل نموذج، مع التركيز على الكفاءة التشغيلية كما هو موضح من خلال وقت الاختبار. أظهر النموذج العميق المخصص (DCNN) أداءً متفوقًا، حيث حقق دقة قدرها 97.02%، ودقة قدرها 97.07%، واسترجاع قدره 97.03%، إلى جانب وقت اختبار قدره 0.548546 ثانية فقط. كما أدت نماذج أخرى، مثل EfficientNetB5 و VGG16، أداءً جيدًا، حيث تجاوزت درجات الدقة 95%، مما يبرز فعالية هياكل CNN المتقدمة في مهام تصنيف الصور المعقدة.
شمل التحليل الإضافي فحصًا تفصيليًا لأفضل ستة نماذج CNN بناءً على الدقة ومنحنيات الخسارة، بالإضافة إلى دقتها في التصنيف كما هو موضح في مصفوفات الالتباس. تشير منحنيات الدقة والخسارة، الموضحة في الشكل 5، إلى أداء النماذج على مدار فترات التدريب، حيث وصل نموذج DCNN إلى تعميم مثالي حول الفترة 40. يوفر هذا التحليل رؤى حول قدرات التعلم للنماذج وفعاليتها في تصنيف أطوال العمل، مما يعزز موثوقية نموذج DCNN في هذا التطبيق. يتم تلخيص مقاييس التقييم التفصيلية في الجدول 5، بينما يوضح الجدول 6 معايير تقييم الكشف لنموذج DCNN عبر فئات أطوال العمل المختلفة.
المناقشة
في قسم المناقشة من ورقة البحث، يؤكد المؤلفون على المراحل الحرجة لعلاج قناة الجذر (RCT) وأهمية تحديد طول العمل (WL) بدقة لتحقيق نتائج ناجحة. يبرزون أن WL يجب أن ينتهي في غضون 2 مم من القمة الشعاعية، حيث يمكن أن تؤدي الأخطاء إلى مضاعفات تقنية وبيولوجية كبيرة. غالبًا ما تكون الطرق التقليدية لتحديد WL، مثل الإحساس اللمسي، غير موثوقة بسبب الاختلافات التشريحية وعوامل المرضى. لقد حسنت مقدمة أجهزة تحديد القمة الإلكترونية من الدقة، ولكن يُوصى بنهج مشترك مع القياسات الشعاعية لتحقيق أفضل النتائج. كما تم مناقشة إمكانيات الذكاء الاصطناعي (AI) في تعزيز دقة التشخيص في علاج الجذور، حيث أظهرت نماذج الذكاء الاصطناعي أداءً متفوقًا في تحديد WL مقارنةً بالمتخصصين البشريين.
يقترح المؤلفون تطوير أداة تعليمية مدفوعة بالذكاء الاصطناعي تقدم ملاحظات شخصية في الوقت الفعلي حول تحديد WL، مما يعالج فجوة في التطبيقات الحالية للذكاء الاصطناعي التي تفتقر إلى آليات الملاحظات التكوينية. تهدف هذه الأداة إلى تعزيز تجربة التعلم لطلاب طب الأسنان من خلال تمكينهم من تصحيح أنفسهم وتحسين تقنياتهم أثناء التدريب قبل السريري. توضح الدراسة نهجًا منهجيًا لإنشاء مجموعة بيانات قوية من الأشعة، وتدريب نماذج الشبكات العصبية الالتفافية (CNN)، وتقييم أدائها. تم تصميم دمج هياكل CNN المتقدمة، سواء المدربة مسبقًا أو المطورة خصيصًا، لتحسين دقة تصنيف WL. تشير النتائج إلى أن الإطار المقترح للذكاء الاصطناعي يمكن أن يعزز بشكل كبير النتائج التعليمية في تدريب طب الأسنان، مما يؤدي في النهاية إلى تحسين الممارسات السريرية في علاج الجذور.
DOI: https://doi.org/10.3389/fdmed.2026.1730454
PMID: https://pubmed.ncbi.nlm.nih.gov/41836485
Publication Date: 2026-02-27
Author(s): Sanaa Aljamani et al.
Primary Topic: Dental Research and COVID-19
Overview
This study investigates the development of an AI-powered tool aimed at improving pre-clinical endodontic training by providing personalized feedback on radiographic working length determination. A dataset of 3,000 labeled radiographic images was created, categorized into optimal, over-extended, and under-extended working lengths, and utilized to train 22 convolutional neural network (CNN) models. The best-performing model achieved impressive metrics, including 97%-99% accuracy, 95%-98% F1-score, and an average testing time of 0.54 seconds.
The tool was integrated into a web-based platform and evaluated by 30 dental students, who reported high usability scores across various dimensions, indicating that the system is both clear and supportive of their learning process. The findings suggest that this AI-driven feedback mechanism not only enhances the educational experience but also facilitates skill refinement in endodontics, particularly in settings with large student populations. Future research will aim to expand the dataset and incorporate additional stages of root canal training into a comprehensive AI-based educational platform.
Introduction
The introduction of the research paper discusses the significance of root canal treatment (RCT) in the field of endodontics, emphasizing its primary objective of eradicating dental pulp infections. This is achieved through a systematic process that includes the cleaning and shaping of the root canal system using specialized instruments and materials. The section references Figure 1, which visually represents the various stages of RCT, highlighting the importance of both chemical and mechanical cleaning methods to reach the appropriate working length of the root canal, followed by the filling of the canal with a specific root canal filling material.
Results
In this section, the results of the evaluation of various Convolutional Neural Network (CNN) models for classifying working lengths in dental radiographs are presented. Key performance metrics, including accuracy, F1-score, precision, and recall, were calculated for each model, with a focus on operational efficiency as indicated by testing time. The custom-developed deep CNN (DCNN) model demonstrated superior performance, achieving an accuracy of 97.02%, a precision of 97.07%, and a recall of 97.03%, alongside a testing time of only 0.548546 seconds. Other models, such as EfficientNetB5 and VGG16, also performed well, with accuracy scores exceeding 95%, highlighting the effectiveness of advanced CNN architectures in complex image classification tasks.
Further analysis included a detailed examination of the top six CNN models based on accuracy and loss curves, as well as their classification precision as shown in confusion matrices. The accuracy and loss curves, depicted in Figure 5, indicate the models’ performance over training epochs, with the DCNN model reaching optimal generalization around epoch 40. This analysis provides insights into the models’ learning capabilities and their effectiveness in classifying working lengths, reinforcing the reliability of the DCNN model in this application. Detailed evaluation metrics are summarized in Table 5, while Table 6 outlines the detection assessment parameters for the DCNN model across different working length categories.
Discussion
In the discussion section of the research paper, the authors emphasize the critical stages of root canal treatment (RCT) and the importance of accurate working length (WL) determination for successful outcomes. They highlight that WL should ideally terminate within 2 mm of the radiographic apex, as inaccuracies can lead to significant technical and biological complications. Traditional methods for determining WL, such as tactile sensation, are often unreliable due to anatomical variations and patient factors. The introduction of electronic apex locators has improved accuracy, but a combined approach with radiographic measurements is recommended for optimal results. The potential of artificial intelligence (AI) in enhancing diagnostic accuracy in endodontics is also discussed, with AI models demonstrating superior performance in WL determination compared to human specialists.
The authors propose the development of an AI-driven educational tool that provides real-time, personalized feedback on WL determination, addressing a gap in existing AI applications that lack formative feedback mechanisms. This tool aims to enhance the learning experience for dental students by enabling them to self-correct and refine their techniques during pre-clinical training. The study outlines a systematic approach to create a robust dataset of radiographs, train convolutional neural network (CNN) models, and evaluate their performance. The integration of advanced CNN architectures, both pre-trained and custom-developed, is designed to improve the accuracy of WL classification. The findings suggest that the proposed AI framework could significantly enhance educational outcomes in dental training, ultimately leading to better clinical practices in endodontics.