DOI: https://doi.org/10.3389/fradi.2026.1701356
PMID: https://pubmed.ncbi.nlm.nih.gov/41797982
تاريخ النشر: 2026-02-19
المؤلف: Dan Adrian Luțescu وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم هذه القسم نظرة عامة على التأثير التحويلي للذكاء الاصطناعي (AI) على التعليم الطبي والممارسة السريرية في طب الأسنان، لا سيما من خلال التقدم في التعلم العميق والشبكات العصبية التلافيفية. لقد عززت هذه التقنيات بشكل كبير دقة تفسير الصور الشعاعية البانورامية (OPGs)، مما أدى إلى تحسين الكشف والتصنيف والتجزئة للتشريح المعقد والآفات السنية. تشمل الإنجازات الملحوظة دقة عالية في تحديد الأسنان وأداء متغير في تشخيص الحالات المعقدة، مثل كفاية الإجراءات اللبية.
ومع ذلك، تواجه دمج الذكاء الاصطناعي في رعاية الأسنان الروتينية عدة تحديات، بما في ذلك الحاجة إلى مجموعات بيانات موسومة بشكل شامل، وتنوع السكان، والقضايا القانونية والثقة المستمرة. الجهود التعاونية بين الهيئات التنظيمية والمنظمات المهنية في الولايات المتحدة والاتحاد الأوروبي تشكل حاليًا الأطر الأخلاقية والقانونية لضمان التطبيق الآمن للذكاء الاصطناعي في طب الأسنان. لا تبرز هذه المراجعة التقدم التكنولوجي فحسب، بل تربط أيضًا هذه الابتكارات مع المشهد التنظيمي المتطور، مما يوفر خارطة طريق شاملة للمعلمين والممارسين والمتعلمين للتنقل في مستقبل الذكاء الاصطناعي في تشخيصات وتدريب الأسنان.
مقدمة
ت outlines مقدمة هذه الورقة البحثية الدور التحويلي للذكاء الاصطناعي (AI) في مجالات طبية متنوعة، مع التركيز بشكل خاص على تطبيقاته في طب الأسنان. لقد أظهرت أنظمة الذكاء الاصطناعي قدرات مقارنة بالعيادات الخبراء في مهام مثل تجزئة الصور، والكشف عن الأمراض، وتوقع النتائج. في طب الأسنان، أظهر الذكاء الاصطناعي وعدًا في تفسير الأشعة السينية البانورامية (OPGs)، محققًا دقة عالية في الكشف عن الأسنان وتشخيص الحالات اللثوية. ومن الجدير بالذكر أن نماذج الذكاء الاصطناعي حققت دقة تزيد عن 89% في توقع حالة بزوغ الأضراس الثالثة، وتم استخدامها لتقييم تعقيد استخراج الأضراس الثالثة السفلية، مما يعزز اتخاذ القرارات السريرية.
تسلط المراجعة الضوء على التقدم في تقنيات الذكاء الاصطناعي، وخاصة الشبكات العصبية التلافيفية (CNN) ومشتقاتها، التي دفعت التطورات في تصوير الأسنان. وتؤكد على إمكانية الذكاء الاصطناعي في تحسين العمليات التشخيصية، وتسهيل الرعاية السنية الشخصية، وتقليل التباين في التقييمات السريرية. علاوة على ذلك، يتم مناقشة دمج الذكاء الاصطناعي في التعليم السني، مما يقترح تحولًا في منهجيات التدريب التي يمكن أن تعزز تدريس التباينات التشريحية والمحاكاة للحالات المعقدة. تشمل مراجعة الأدبيات الدراسات المنشورة بين عامي 2020 و2025، بهدف تقديم نظرة شاملة حول الأهمية السريرية للذكاء الاصطناعي، والقيود، ودمجه في سير العمل الروتيني لطب الأسنان، مع معالجة التحديات التنظيمية والأخلاقية والتقنية.
النتائج
تشير النتائج إلى أن نماذج الذكاء الاصطناعي في تشخيص الأسنان تظهر تباينًا كبيرًا في الأداء بناءً على مجموعات البيانات المستخدمة، مما يثير القلق بشأن التحيز الخوارزمي وقدرات التعميم. بينما تظهر هذه النماذج وعدًا، يمكن أن تتأثر فعاليتها بالظروف التي يتم اختبارها فيها. لمعالجة هذه التحديات، تم العثور على تقنيات المعالجة المسبقة مثل تعزيز التباين المحلي وتقليل الضوضاء – تحديدًا، التعديل التكيفي المحدود للتباين وتصفية ثنائية الاتجاه – جنبًا إلى جنب مع استراتيجيات التجزئة التي تركز على مناطق الاهتمام، لتحسين أداء النموذج مقارنة بتلك المدربة على الأشعة السينية الكاملة.
بالإضافة إلى ذلك، يمكن أن تحسن طرق التجزئة المتقدمة مثل SAM2 وهياكل الشبكات العصبية التلافيفية الأعمق (CNN) من الكشف عن الشذوذات المعقدة. ومع ذلك، قد تؤدي هذه الأساليب أيضًا إلى زيادة مخاطر الإفراط في التكيف وتقليل القابلية للتفسير. تؤكد الدراسة أن التحيز التشخيصي ليس حصريًا على أنظمة الذكاء الاصطناعي؛ على سبيل المثال، وجدت دراسة لـ Decoster وزملائه أن المصورين الشعاعيين اعتبروا 56% من الأشعة السينية غير تشخيصية أو محدودة، مقارنة بـ 30.7% من قبل أطباء الأشعة. وهذا يبرز ضرورة وجود أطر ضمان الجودة المنظمة لتعزيز عمليات اتخاذ القرار في كل من السياقات البشرية والخوارزمية.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدمات الكبيرة والتحديات المرتبطة بدمج الذكاء الاصطناعي (AI) في تشخيصات تصوير الأسنان. لقد أظهر الذكاء الاصطناعي أنه يعزز دقة التشخيص من خلال تقليل الأخطاء البشرية وتباين الملاحظات بين المراقبين. على سبيل المثال، حقق نظام الكشف عن الآفات المحيطية دقة بلغت 88.2%، مع حساسية 91.5% وخصوصية 83.3%، متفوقًا على المراقبين البشريين. لوحظت نتائج مماثلة في تشخيصات اللثة والتقييمات اللبية، حيث أظهرت أنظمة الذكاء الاصطناعي توافقًا عاليًا مع الإجماع الخبير وأداءً متفوقًا مقارنة بالأطباء العامين. ومع ذلك، بينما يتفوق الذكاء الاصطناعي في التعرف على الأسنان المعالجة، فإن أدائه في التقييمات النوعية، مثل الكشف عن الحشوات القصيرة والفراغات، لا يزال دون المستوى المطلوب، مما يشير إلى الحاجة إلى مزيد من التحسين.
فيما يتعلق بالكفاءة، يمكن لأنظمة الذكاء الاصطناعي معالجة كميات كبيرة من الصور السنية بسرعة، مما يحسن بشكل كبير سير العمل السريري. على سبيل المثال، تم تدريب ذكاء اصطناعي على أكثر من 250,000 صورة شعاعية بانورامية لتقييم حالات صحة الفم المختلفة في دراسة شملت 11,380 مريضًا. بالإضافة إلى ذلك، أظهرت نماذج التعلم العميق وعدًا في الكشف عن الآفات السنية، بما في ذلك التسوس والكسور، على الرغم من استمرار التحديات المتعلقة بتنوع مجموعات البيانات وجودة الصور. تؤكد المناقشة على أهمية مجموعات البيانات الموصوفة عالية الجودة لتدريب أنظمة الذكاء الاصطناعي، حيث تعتمد فعاليتها بشكل كبير على جودة وموثوقية البيانات المستخدمة. علاوة على ذلك، تؤكد الورقة على الحاجة إلى اعتبارات أخلاقية وأطر تنظيمية لضمان التنفيذ المسؤول للذكاء الاصطناعي في الممارسة السنية، مع معالجة القضايا المتعلقة بموافقة المرضى، وخصوصية البيانات، والتأثير المحتمل على الأدوار السريرية.
القيود
يواجه دمج الذكاء الاصطناعي (AI) في الممارسة السنية الروتينية عدة قيود تعيق اعتماده على نطاق واسع. حددت دراسة نوعية شملت ثمانية أطباء أسنان وخمسة مرضى مخاوف تتعلق بعبء العمل، حيث كشفت أن إنشاء تقارير تشخيصية منظمة يمكن أن يستغرق ما يصل إلى 15 دقيقة لكل صورة شعاعية بانورامية. غالبًا ما تؤدي هذه المتطلبات الزمنية إلى توثيق غير مكتمل بسبب قيود الوقت. بينما أظهر الذكاء الاصطناعي زيادة في دقة التشخيص من 73.6% بدون ذكاء اصطناعي إلى 85.8% مع ذكاء اصطناعي، لا تزال القضايا مثل تباين الملاحظات بين المراقبين والاعتماد على جودة الصورة ووضوحها تمثل تحديات كبيرة. على وجه الخصوص، تتأثر أداء الذكاء الاصطناعي في السيناريوهات التي تتضمن هياكل تشريحية متداخلة أو صور منخفضة الجودة، مما يحد من موثوقيته كأداة تشخيصية مستقلة.
في تشخيصات اللثة، أظهر الذكاء الاصطناعي أداءً مشابهًا لأداء الأطباء، حيث أظهرت دراسة مقارنة بين الذكاء الاصطناعي و60 طبيب أسنان عبر ميزات سريرية متنوعة على الأشعة السينية البانورامية أن الذكاء الاصطناعي حقق دقة متساوية أو متفوقة، لا سيما في الكشف عن فقدان العظام (kappa = 0.76 مقابل 0.57 لأطباء الأسنان العامين). ومع ذلك، يبرز التباين الملحوظ في التقييمات الأكثر تعقيدًا ضرورة المزيد من التحسين والتحقق من أنظمة الذكاء الاصطناعي قبل أن يمكن تنفيذها على نطاق واسع في البيئات السريرية. بشكل عام، بينما يقدم الذكاء الاصطناعي تقدمًا واعدًا في تشخيصات الأسنان، يجب معالجة هذه القيود لتعزيز فعاليته وموثوقيته في الممارسة.
DOI: https://doi.org/10.3389/fradi.2026.1701356
PMID: https://pubmed.ncbi.nlm.nih.gov/41797982
Publication Date: 2026-02-19
Author(s): Dan Adrian Luțescu et al.
Primary Topic: Dental Radiography and Imaging
Overview
The section provides an overview of the transformative impact of Artificial Intelligence (AI) on dental education and clinical practice, particularly through advancements in deep learning and convolutional neural networks. These technologies have significantly enhanced the accuracy of interpreting orthopantomograms (OPGs), leading to improved detection, classification, and segmentation of complex dental anatomy and pathologies. Noteworthy achievements include high accuracy in tooth identification and variable performance in diagnosing intricate conditions, such as the adequacy of endodontic procedures.
However, the integration of AI into routine dental care faces several challenges, including the need for extensive annotated datasets, the variability of populations, and ongoing medicolegal and trust issues. Collaborative efforts between regulatory bodies and professional organizations in the United States and European Union are currently shaping ethical and legal frameworks to ensure the safe application of AI in dentistry. This review not only highlights technological advancements but also connects these innovations with the evolving regulatory landscape, providing a comprehensive roadmap for educators, practitioners, and learners to navigate the future of AI in dental diagnostics and training.
Introduction
The introduction of this research paper outlines the transformative role of Artificial Intelligence (AI) in various medical fields, particularly emphasizing its applications in dentistry. AI systems have demonstrated capabilities comparable to expert clinicians in tasks such as image segmentation, disease detection, and outcome prediction. In dentistry, AI has shown promise in interpreting panoramic radiographs (orthopantomograms, OPGs), achieving high accuracy in tooth detection and diagnosis of periodontal conditions. Notably, AI models have reached over 89% accuracy in predicting third molar eruption status and have been utilized to assess the complexity of mandibular third molar extractions, thereby enhancing clinical decision-making.
The review highlights the advancements in AI technologies, particularly Convolutional Neural Networks (CNN) and their derivatives, which have propelled developments in dental imaging. It emphasizes the potential of AI to improve diagnostic processes, facilitate personalized dental care, and reduce variability in clinical evaluations. Furthermore, the integration of AI into dental education is discussed, suggesting a paradigm shift in training methodologies that could enhance the teaching of anatomical variations and complex case simulations. The literature review encompasses studies published between 2020 and 2025, aiming to provide a comprehensive overview of AI’s clinical relevance, limitations, and integration into routine dental workflows, while addressing regulatory, ethical, and technical challenges.
Results
The results indicate that AI models in dental diagnostics exhibit significant variability in performance based on the datasets utilized, raising concerns about algorithmic bias and generalization capabilities. While these models show promise, their effectiveness can be compromised by the conditions under which they are tested. To address these challenges, pre-processing techniques such as local contrast enhancement and noise reduction—specifically, contrast-limited adaptive histogram equalization and bilateral filtering—along with tiling strategies that concentrate on regions of interest, have been found to enhance model performance compared to those trained on complete radiographs.
Additionally, advanced segmentation methods like SAM2 and deeper convolutional neural network (CNN) architectures can improve the detection of complex anomalies. However, these approaches may also lead to increased risks of overfitting and reduced interpretability. The study underscores that diagnostic bias is not exclusive to AI systems; for instance, Decoster et al. found that radiographers deemed 56% of radiographs as non-diagnostic or limited, in contrast to 30.7% by radiologists. This highlights the necessity for structured quality-assurance frameworks to enhance decision-making processes in both human and algorithmic contexts.
Discussion
The discussion section of the research paper highlights the significant advancements and challenges associated with the integration of artificial intelligence (AI) in dental imaging diagnostics. AI has been shown to enhance diagnostic accuracy by minimizing human errors and interobserver variability. For instance, a detection system for periapical lesions achieved an accuracy of 88.2%, with a sensitivity of 91.5% and specificity of 83.3%, outperforming human observers. Similar findings were noted in periodontal diagnostics and endodontic assessments, where AI systems demonstrated high agreement with expert consensus and superior performance compared to general practitioners. However, while AI excels in recognizing treated teeth, its performance in qualitative assessments, such as detecting short fillings and voids, remains suboptimal, indicating a need for further refinement.
In terms of efficiency, AI systems can process large volumes of dental images rapidly, significantly optimizing clinical workflows. For example, an AI trained on over 250,000 panoramic radiographs effectively evaluated various oral health conditions in a study involving 11,380 patients. Additionally, deep learning models have shown promise in detecting dental pathologies, including caries and fractures, although challenges related to dataset diversity and image quality persist. The discussion underscores the importance of high-quality labeled datasets for training AI systems, as their effectiveness is heavily reliant on the quality and consistency of the data used. Furthermore, the paper emphasizes the need for ethical considerations and regulatory frameworks to ensure the responsible implementation of AI in dental practice, addressing concerns related to patient consent, data privacy, and the potential impact on clinical roles.
Limitations
The integration of artificial intelligence (AI) into routine dental practice faces several limitations that hinder its widespread adoption. A qualitative study involving eight dentists and five patients identified workload concerns, revealing that the generation of structured diagnostic reports can take up to 15 minutes per panoramic radiograph. This time requirement often leads to incomplete documentation due to time constraints. While AI has demonstrated an increase in diagnostic accuracy from 73.6% without AI to 85.8% with AI, issues such as interobserver variability and dependence on image quality and anatomical clarity remain significant challenges. Specifically, the AI’s performance is compromised in scenarios involving overlapping anatomical structures or low-quality images, which limits its reliability as a standalone diagnostic tool.
In periodontal diagnostics, AI has shown comparable performance to that of clinicians, with a study comparing AI to 60 dentists across various clinical features on panoramic radiographs indicating that AI achieved equal or superior accuracy, particularly in detecting bone loss (kappa = 0.76 vs. 0.57 for general dentists). However, the variability observed in more complex assessments underscores the necessity for further refinement and validation of AI systems before they can be widely implemented in clinical settings. Overall, while AI presents promising advancements in dental diagnostics, these limitations must be addressed to enhance its effectiveness and reliability in practice.