Η τεχνητή νοημοσύνη μπορεί να βοηθήσει στη χειρουργική των οδοντικών εμφυτευμάτων, εντοπίζοντας τον πόρο του κάτω φατνιακού νεύρου

Franziska Beier, Dental Tribune International

Οι μελέτες έχουν δείξει ότι η τεχνητή νοημοσύνη (ΑΙ) μπορεί να αναγνωρίζει δομικά μοτίβα στα δεδομένα της ιατρικής απεικόνισης. Όμως, στην οδοντιατρική και στη γναθοπροσωπική ακτινολογία, λίγες μόνο μελέτες έχουν χρησιμοποιήσει την ΑΙ για τον εντοπισμό του πόρου του κάτω φατνιακού νεύρου. Η γνώση της ακριβούς εντόπισής του είναι ένα προαπαιτούμενο για το σχέδιο θεραπείας των οδοντικών εμφυτευμάτων. Μέχρι τώρα, οι οδοντίατροι έπρεπε να εξετάζουν τις ακτινογραφίες για να εντοπίσουν τον πόρο του κάτω φατνιακού νεύρου (ΚΦΝ), μία δυνητικά πολύπλοκη και χρονοβόρα διαδικασία. Μία πρόσφατη μελέτη από τη Φινλανδία έλεγξε τη χρήση ενός μοντέλου με βάση την ΑΙ για αυτόν το σκοπό και βρήκε ότι αυτό τοποθετεί τον πόρο του ΚΦΝ στις τρισδιάστατες ακτινογραφίες γρήγορα και με ακρίβεια.

Ο εντοπισμός του πόρου στις εικόνες CBCT περιπλέκεται από τις ανατομικές παραλλαγές στην πορεία και στο σχήμα του πόρου σύμφωνα με το άτομα και την εθνικότητα. Για να αποφευχθεί συμπίεση ή άλλες χειρουργικές επιπλοκές, συνιστάται στην εμφυτευματολογία ένα περιθώριο ασφαλείας 2 mm πάνω από τον πόρο του ΚΦΝ. Η ακριβής γνώση της θέσης του πόρου του ΚΦΝ είναι επίσης σημαντική για διάφορες άλλες στοματικές και γναθοπροσωπικές χειρουργικές διαδικασίες, όπως στη χειρουργική των γνάθων ή στην αφαίρεση των τρίτων γομφίων.

Ερευνητές από το Πανεπιστήμιο Aalto στο Espoo, Planmeca και από το Φινλανδικό Κέντρο Τεχνητής Νοημοσύνης (Finnish Center for Arti­cial Intelligence- FCAI) ανέπτυξαν ένα σύστημα βαθιάς μάθησης (deep learning) και το εκπαίδευσαν με τρισδιάστατες εικόνες που παρείχε η CBCT. Η βάση δεδομένων αποτελούταν από εικόνες από τέσσερα διαφορετικές συσκευές σάρωσης από τέσσερις πωλητές και κοόρτες ασθενών δύο εθνοτήτων: 869 Φινλανδοί ασθενείς (79%) και 234 Ταϊλανδούς ασθενείς (21%).

Η απόδοση του συστήματος βαθιάς μάθησης αξιολογήθηκε κλινικά συγκρίνοντας τα αποτελέσματά του με εκείνα τεσσάρων οδοντιατρικών και γναθοπροσωπικών ακτινολόγων. Το μοντέλο έτμησε με ακρίβεια τον πόρο του κάτω φατνιακού νεύρου και είχε συνολικά καλύτερη απόδοση από τους ακτινολόγους. Επιπλέον, έδειξε υποσχόμενη γενικευσιμότητα ως προς τις νέες συσκευές CBCT και τις ομάδες εθνοτήτων.

«Όταν τροφοδοτείται μία τεράστια ποσότητα δεδομένων στο νευρικό δίκτυο και μέσα σε αυτό σημειώνεται η εντόπιση του πόρου του ΚΦΝ, αυτό μαθαίνει να βελτιστοποιεί τις δικές του εσωτερικές παραμέτρους. Το νευρικό δίκτυο που προκύπτει από αυτήν την εκμάθηση βρίσκει γρήγορα τον πόρο του ΚΦΝ από την εισαγωγή των ατομικών τρισδιάστατων δεδομένων», είπε ο Vesa Varjonen, αντιπρόεδρος έρευνας και τεχνολογίας στην εταιρία κατασκευής οδοντιατρικού εξοπλισμού Planmeca, με έδρα το Ελσίνκι.

«Στις κλινικές αξιολογήσεις, ειδικοί εξέτασαν τα αποτελέσματα που παράχθηκαν από το μοντέλο και ανακάλυψαν ότι στο 96% των περιπτώσεων ήταν πλήρως χρησιμοποιήσιμα από κλινική άποψη. Έχουμε μεγάλη εμπιστοσύνη ότι το μοντέλο λειτουργεί καλά», σχολίασε ο συγγραφέας Jaakko Sahlsten, διδακτορικός ερευνητής στο Πανεπιστήμιο Aalto.

«Η συνεργασία προέκυψε από τις ανάγκες των ειδικών που ασκούσαν κλινική εργασία και από την αναζήτηση τρόπων που θα βοηθούσαν την καθημερινή τους δουλειά. Μπορεί να εξοικονομηθεί πολύς χρόνος χρησιμοποιώντας την τεχνητή νοημοσύνη στο σχέδιο θεραπείας του ασθενή», είπε ο Varjonen σε ένα δελτίο τύπου.

Το Πανεπιστημιακό Νοσοκομείο Tampere μας παρείχε εκτενές και πολυχρηστικό κλινικό υλικό που παράχθηκε με διάφορες συσκευές τρισδιάστατης απεικόνισης. Τα δεδομένα διαιρέθηκαν τυχαία και μέρος αυτών χρησιμοποιήθηκαν για την εκπαίδευση των νευρικών δικτύων ενώ άλλο μέρος αυτών απομονώθηκε για τον έλεγχο και την επικύρωση της μεθόδου που σχεδιάστηκε», είπε ο Sahlsten.

Planmeca για την ενσωμάτωση του μοντέλου στο χαρτοφυλάκιο απεικόνισής του

Για την Planmeca, μία φινλανδική οικογενειακή επιχείρηση και μία από τις κυρίαρχες στον κόσμο εταιρίες κατασκευής οδοντιατρικού εξοπλισμού στην τεχνολογία της υγείας, η συνεργασία με το FCAI και το Πανεπιστημιακό Νοσοκομείο Tampere σημαίνει σημαντικές νέες επιχειρηματικές δυνατότητες.

«Η ψηφιακότητα και η τεχνητή νοημοσύνη που χρησιμοποιούνται στον εξοπλισμό απεικόνισης είναι σημαντικές για εμάς. Θα ενσωματώσουμε το μοντέλο νευρικού δικτύου που αναπτύχθηκε σε αυτήν την έρευνα στο λογισμικό απεικόνισής μας. Αυτό θα βελτιώσει τη χρηστικότητα και απόδοση του εξοπλισμού μας», είπε ο Varjonen.

Μοντέλο για την ορθογναθική χειρουργική

Επιπλέον, το πρότζεκτ συνεργατικής έρευνας ανέπτυξε ένα μοντέλο νευρικού δικτύου για την ορθογναθική χειρουργική. «Το μοντέλο βοηθά να αναγνωριστούν σημεία αναφοράς στην περιοχή του κρανίου για τη διόρθωση των διαταραχών σύγκλεισης και το σχεδιασμό του χειρουργείου ευθυγράμμισης των γνάθων», είπε ο Varjonen.

«Βλέπω την τεχνητή νοημοσύνη ως ένα πολύ ισχυρό εργαλείο το οποίο μπορούν να χρησιμοποιήσουν οι γιατροί και άλλοι ειδικοί όταν κάνουν τις πρώτες τους εκτιμήσεις ή για να πάρουν εναλλακτικές γνώμες. Η δυσκολία με τα μοντέλα βαθιάς μάθησης είναι ότι δεν μπορούμε να δώσουμε συγκεκριμένη εξήγηση ως προς το γιατί το μοντέλο φτάνει σε ένα συγκεκριμένο αποτέλεσμα. Χρειάζονται περαιτέρω έρευνες για να αυξηθεί η εξηγησιμότητα και η διαφάνεια των μοντέλων», κατέληξε ο Sahlsten.

Σημείωση του συντάκτη: Η μελέτη, με τίτλο «Σύγκριση της διάτμησης με βαθιά μάθηση και της πολύβαθμης σημείωσης του πόρου του κάτω φατνιακού νεύρου πολυκεντρικών σαρώσεων CBCT”, δημοσιεύτηκε στις 3 Νοεμβρίου 2022 στο περιοδικό Scienti­c Reports.

Αναδημοσίευση από το περιοδικό 3D Printing, Φεβρουάριος 2023