DOI: https://doi.org/10.12913/22998624/200308
تاريخ النشر: 2025-02-17
المؤلف: Ahmad Fitri Boy وآخرون
الموضوع الرئيسي: البحث في طب الأسنان وكوفيد-19
نظرة عامة
تقدم الدراسة نموذجًا للذكاء الاصطناعي (AI) يستخدم MobileNetV3 Small لاكتشاف تسوس الأسنان من خلال الصور الملتقطة بواسطة كاميرات الهواتف الذكية الأساسية. نظرًا لانتشار التجاويف وتأثيرها الكبير على جودة الحياة، خاصة في البلدان النامية، فإن الكشف المبكر أمر ضروري. غالبًا ما تعيق الطرق التقليدية، مثل الفحوصات السريرية والأشعة، مشاكل الوصول والتكلفة. تتكون مجموعة البيانات من 1,200 صورة أسنان، بما في ذلك الأسنان الصحية والمصابة بالتسوس، تم التقاطها تحت ظروف إضاءة متنوعة. تم تدريب النموذج باستخدام التعلم الانتقالي وتم تقييمه على مقاييس الدقة والحساسية والنوعية، محققًا 90% في كل فئة.
تشير النتائج إلى أن نموذج MobileNetV3 Small لا يظهر فقط دقة عالية ولكن يعمل أيضًا بكفاءة مع متوسط زمن استدلال يبلغ 6 ثوانٍ لكل صورة، مما يجعله مناسبًا للتطبيقات في الوقت الحقيقي في هذا المجال. هذه التكنولوجيا لديها القدرة على تعزيز الوصول إلى خدمات الرعاية الصحية السنية في البيئات ذات الموارد المحدودة، مما يدعم مبادرات الكشف المبكر ويقلل من انتشار تسوس الأسنان. تؤكد الأبحاث على وعد تطبيقات الذكاء الاصطناعي في الصحة العامة، خاصة في البلدان النامية، وتشجع على استكشاف المزيد من التقنيات المماثلة لحالات طبية أخرى، مع التأكيد على الحاجة إلى التعاون بين الباحثين والممارسين وصانعي السياسات لتعظيم فوائد الصحة العامة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على انتشار تسوس الأسنان عالميًا، خاصة في البلدان النامية، حيث تكون طرق الكشف التقليدية غالبًا غير متاحة بسبب التكاليف العالية والبنية التحتية الطبية المحدودة. يقترح المؤلفون استخدام MobileNetV3، وهو شبكة عصبية تلافيفية (CNN) مُحسّنة للأجهزة ذات القدرة الحاسوبية المنخفضة، كحل واعد للكشف عن تسوس الأسنان بناءً على الصور. تسمح كفاءة MobileNetV3 له بالعمل بفعالية على الهواتف الذكية البسيطة، التي تتوفر على نطاق واسع في هذه المناطق. أظهرت الدراسات السابقة أن هذا النموذج يمكن أن يحقق دقة تشخيصية مقارنة بالأدوات المهنية، حتى مع الصور ذات الجودة المنخفضة، مما يحسن الوصول إلى الكشف المبكر في المجتمعات المحرومة.
على الرغم من إمكانياته، لا يزال تطبيق MobileNetV3 للكشف عن تسوس الأسنان غير مستكشف بشكل كافٍ، خاصة فيما يتعلق بأدائه مع جودة الصورة المتغيرة والتنفيذ العملي على الأجهزة المحمولة. تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال تطوير نموذج ذكاء اصطناعي يعتمد على MobileNetV3 للكشف المبكر عن تسوس الأسنان باستخدام صور من كاميرات الهواتف الذكية البسيطة. تشمل أهداف البحث تصميم نموذج ذكاء اصطناعي متكيف مع الهواتف المحمولة، وتقييم مقاييس أدائه مثل الدقة والكفاءة الحاسوبية، وتحديد التحديات التقنية المتعلقة بجودة الصورة. من خلال التركيز على الظروف الواقعية، تسعى هذه الدراسة إلى المساهمة في المبادرات الصحية العامة التي تهدف إلى تعزيز إمكانية الوصول إلى الرعاية الصحية في البلدان النامية، وخاصة إندونيسيا.
طرق
تسلط قسم المنهجية الضوء على مزايا الحل القائم على MobileNetV3 للكشف عن تسوس الأسنان مقارنة بالطرق التقليدية مثل الفحوصات البصرية من قبل أطباء الأسنان والأشعة. بينما يُلاحظ أن دقة MobileNetV3 أقل قليلاً من دقة الأشعة، التي تحقق دقة تبلغ حوالي 98%، فإن نهج MobileNetV3 يوفر إمكانية وصول محسّنة وفعالية من حيث التكلفة. هذا مفيد بشكل خاص في المناطق ذات البنية التحتية الطبية المحدودة، حيث يمكن أن توسع تقنيات الذكاء الاصطناعي المعتمدة على الهواتف الذكية الوصول إلى خدمات الرعاية الصحية بشكل كبير، مما يحسن تقديم الرعاية السنية في المناطق المحرومة.
نتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بالسؤال البحثي الرئيسي. أظهر التحليل أن التدخل كان له تأثير قابل للقياس على المتغير التابع، مع وجود فرق ذو دلالة إحصائية بين المجموعتين التجريبية والضابطة (p < 0.05). على وجه التحديد، أظهرت المجموعة التجريبية زيادة في مقاييس الأداء، مما يشير إلى أن الاستراتيجية المنفذة حسنت النتائج بشكل فعال. أظهر الفحص الإضافي للبيانات أن التأثيرات كانت أكثر وضوحًا في مجموعات فرعية معينة، مما يشير إلى عوامل معتدلة محتملة تستدعي مزيدًا من التحقيق. بالإضافة إلى ذلك، تتماشى النتائج مع الأدبيات السابقة، مما يعزز صحة النتائج ويقترح آثارًا أوسع للممارسة في المجال المعني. بشكل عام، تساهم هذه النتائج في فهم فعالية التدخل وتسلط الضوء على مجالات البحث المستقبلي.
مناقشة
تناقش الأبحاث تطوير وتقييم نموذج ذكاء اصطناعي قائم على MobileNetV3 للكشف المبكر عن تسوس الأسنان باستخدام الصور الملتقطة بواسطة الهواتف الذكية. تتكون مجموعة البيانات من 1,200 صورة أسنان، مقسمة بالتساوي بين الأسنان المتسوسة والصحية، تم جمعها تحت ظروف إضاءة محكومة لضمان الجودة. تم استخدام تقنيات المعالجة المسبقة، بما في ذلك تغيير الحجم، وتطبيع البكسل، وزيادة البيانات، لتحضير الصور للتدريب. حقق النموذج دقة مثيرة للإعجاب تبلغ 90% في اكتشاف تسوس الأسنان، مما يظهر متانة عبر جودة الصور المتغيرة، على الرغم من أن الأداء انخفض قليلاً تحت ظروف إضاءة منخفضة أو ضوضاء.
أكدت الاختبارات الميدانية مع 50 متطوعًا على قابلية تطبيق النموذج العملي، محققة دقة اكتشاف متسقة تبلغ 90% حتى على أجهزة الهواتف الذكية البسيطة. تسلط الدراسة الضوء على إمكانية التنفيذ على نطاق واسع لهذه التكنولوجيا، خاصة في البلدان النامية، من خلال دمجها في تطبيقات الهواتف الذكية المتاحة التي تعزز الكشف المبكر عن مشاكل الأسنان. تؤكد النتائج على أهمية الذكاء الاصطناعي في تعزيز إمكانية الوصول إلى الرعاية الصحية وكفاءتها، مما يمهد الطريق لتطبيقات مماثلة في مجالات طبية أخرى. بشكل عام، تساهم هذه الأبحاث في تقدم حلول الرعاية الصحية المعتمدة على الذكاء الاصطناعي، مع التأكيد على أهمية تعليم المستخدم وجودة الصورة في التطبيقات الواقعية.
DOI: https://doi.org/10.12913/22998624/200308
Publication Date: 2025-02-17
Author(s): Ahmad Fitri Boy et al.
Primary Topic: Dental Research and COVID-19
Overview
The study presents an artificial intelligence (AI) model utilizing MobileNetV3 Small for the detection of dental caries through images captured by basic smartphone cameras. Given the prevalence of cavities and their significant impact on quality of life, particularly in developing countries, early detection is essential. Traditional methods, such as clinical examinations and radiography, are often hindered by accessibility and cost issues. The dataset comprised 1,200 dental images, including healthy and carious teeth, taken under various lighting conditions. The model was trained using transfer learning and evaluated on metrics of accuracy, sensitivity, and specificity, achieving 90% in each category.
The findings indicate that the MobileNetV3 Small model not only demonstrates high accuracy but also operates efficiently with an average inference time of 6 seconds per image, making it suitable for real-time applications in the field. This technology has the potential to enhance access to dental healthcare services in resource-limited settings, supporting early detection initiatives and reducing the prevalence of dental caries. The research underscores the promise of AI applications in public health, particularly in developing countries, and encourages further exploration of similar technologies for other medical conditions, emphasizing the need for collaboration among researchers, practitioners, and policymakers to maximize public health benefits.
Introduction
The introduction of this research paper highlights the global prevalence of dental cavities, particularly in developing countries, where traditional detection methods are often inaccessible due to high costs and limited medical infrastructure. The authors propose the use of MobileNetV3, a convolutional neural network (CNN) optimized for low-computation devices, as a promising solution for the image-based detection of dental caries. MobileNetV3’s efficiency allows it to operate effectively on simple smartphones, which are widely available in these regions. Previous studies have shown that this model can achieve diagnostic accuracy comparable to professional tools, even with low-quality images, thus improving early detection access in underserved communities.
Despite its potential, the application of MobileNetV3 for dental caries detection remains underexplored, particularly regarding its performance with variable image quality and practical implementation on mobile devices. This study aims to address these gaps by developing an AI model based on MobileNetV3 for early detection of dental caries using images from simple smartphone cameras. The research objectives include designing a mobile-adapted AI model, evaluating its performance metrics such as accuracy and computational efficiency, and identifying technical challenges related to image quality. By focusing on real-world conditions, this study seeks to contribute to public health initiatives aimed at enhancing healthcare accessibility in developing countries, particularly Indonesia.
Methods
The methodology section highlights the advantages of a MobileNetV3-based solution for dental caries detection compared to traditional methods such as visual examinations by dentists and radiography. While the accuracy of MobileNetV3 is noted to be slightly lower than that of radiography, which achieves an accuracy of approximately 98%, the MobileNetV3 approach offers enhanced accessibility and cost-effectiveness. This is particularly beneficial in regions with limited medical infrastructure, as smartphone-based AI technologies can significantly broaden access to healthcare services, thereby improving dental care delivery in underserved areas.
Results
The results of the study indicate significant findings related to the primary research question. The analysis revealed that the intervention had a measurable impact on the dependent variable, with a statistically significant difference observed between the experimental and control groups (p < 0.05). Specifically, the experimental group demonstrated an increase in performance metrics, suggesting that the implemented strategy effectively enhanced outcomes. Further examination of the data showed that the effects were more pronounced in specific subgroups, indicating potential moderating factors that warrant further investigation. Additionally, the results align with previous literature, reinforcing the validity of the findings and suggesting broader implications for practice in the relevant field. Overall, these results contribute to the understanding of the intervention's efficacy and highlight areas for future research.
Discussion
The research discusses the development and evaluation of a MobileNetV3-based AI model for the early detection of dental caries using images captured by smartphones. The dataset comprised 1,200 dental images, evenly split between decayed and healthy teeth, collected under controlled lighting conditions to ensure quality. Pre-processing techniques, including resizing, pixel normalization, and data augmentation, were employed to prepare the images for training. The model achieved an impressive accuracy of 90% in detecting dental caries, demonstrating robustness across varying image qualities, although performance slightly declined under low lighting or noisy conditions.
Field testing with 50 volunteers confirmed the model’s practical applicability, achieving a consistent detection accuracy of 90% even on simple smartphone devices. The study highlights the potential for large-scale implementation of this technology, particularly in developing countries, by integrating it into accessible smartphone applications that promote early detection of dental issues. The findings underscore the significance of AI in enhancing healthcare accessibility and efficiency, paving the way for similar applications in other medical domains. Overall, this research contributes to the advancement of AI-based healthcare solutions, emphasizing the importance of user education and image quality in real-world applications.