📄 medicine

Multi-view deep learning for classification of maxillary canine impaction severity using CBCT-derived images

طورت هذه الدراسة وقيمت نموذج تعلم عميق من نوع (DenseNet-121) متعدد الرؤى باستخدام صور مشتقة من التصوير المقطعي المحوسب بحزمة مخروطية (CBCT) من أربعة منظورات لتصنيف شدة انطمار الناب العلوي بدقة، محققةً دقة إجمالية بلغت 91.2% ومبرهنةً على إمكاناته في دعم التدخل التقويمي المبكر.

المؤلفون الأصليون: Yujue Wang, Jason Lai, Andong Hua, Debbie Ferng, Jae Hyun Park, Yan Wang, Karolina Elżbieta Kaczor-Urbanowicz

نُشر 2026-09-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yujue Wang, Jason Lai, Andong Hua, Debbie Ferng, Jae Hyun Park, Yan Wang, Karolina Elżbieta Kaczor-Urbanowicz

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في المشهد المعقد للأسنان البشرية، تحتل الأنياب العلوية مكانة فريدة وغالباً ما تكون مثيرة للمتاعب. فهذه الأسنان، الضرورية لتمزيق الطعام وتشكيل الابتسامة، هي ثاني أكثر الأسنان عرضة للانحشار بعد أضراس العقل. ولأنها تسلك مساراً طويلاً ومتعرجاً للوصول إلى مكانها النهائي، فإنها غالباً ما تُحاصر داخل عظم الفك أو أنسجة اللثة، وهي حالة تُعرف باسم "الانحشار". وعندما يحدث هذا، لا يستطيع السن البروز من تلقاء نفسه، وإذا تُرِك دون علاج، يمكن أن يتسبب في تكوّن أكياس، أو إلحاق الضرر بجذور الأسنان المجاورة، أو تعطيل اصطفاف القوس السني بأكمله. ولحل هذه المشكلة، يعتمد أخصائيو تقويم الأسنان على التصوير لرؤية مكان السن بدقة ومدى انحشاره. وبينما تُعد الأشعة السينية التقليدية ثنائية الأبعاد شائعة، فإن المسح الأكثر تفصيلاً ثلاثي الأبعاد، والذي يُسمى التصوير المقطعي المحوسب بالحزمة المخروطية (CBCT)، يوفر رؤية أوضح لموقع السن في الفراغ. ومع ذلك، فإن تفسير هذه المسوحات التفصيلية يتطلب وقتاً وخبرة كبيرة، كما أن الإشعاع المتضمن يعني ضرورة توخي الأطباء الحذر عند استخدامها.

لقد وضع فريق من الباحثين هدفاً يتمثل في معرفة ما إذا كان الذكاء الاصطناعي يمكنه المساعدة في اجتياز هذا التحدي التشخيصي. فقد طوروا نظاماً حاسوبياً مصمماً لفحص مسوحات (CBCT) وتحديد مدى شدة انحشار الناب تلقائياً. وبدلاً من محاولة معالجة الحجم ثلاثي الأبعاد الكامل للفك دفعة واحدة، وهو أمر مجهد حاسوبياً، اتبع الباحثون نهجاً مختلفاً؛ حيث قاموا بتقسيم المسح ثلاثي الأبعاد إلى أربعة مناظر مألوفة يستخدمها أطباء الأسنان بالفعل: منظر بانورامي للفك بأكمله، ومنظر أمامي من الأمام، ومنظر جانبي، ومقطع عرضي يمر عبر السن. ثم قاموا بتدريب نموذج تعلم عميق، وهو نوع من البرامج الحاسوبية المستوحاة من الدماغ البشري، للنظر إلى كل صورة من هذه الصور الأربع بشكل منفصل وتحديد ما إذا كان السن يبزغ بشكل طبيعي، أو منحشراً بشكل طفيف، أو منحشراً بشكل شديد.

ركزت الدراسة على 74 مريضاً، حيث فحصت 148 سناً من الأنياب العلوية في المجمل. ولكل سن، أنتج الباحثون 592 صورة متميزة عبر المناظر الأربعة المختلفة. قام خبراء بشريون أولاً بتصنيف هذه الصور، حيث صنفوا كل سن على أنه ذو بروز طبيعي، أو انحشار طفيف، أو انحشار شديد بناءً على زوايا وتداخلات محددة ظاهرة في المسوحات. ثم تم تعليم النموذج الحاسوبي كيفية التعرف على هذه الأنماط. وعندما اختبر الباحثون النموذج، وجدوا أن النظر إلى المناظر الأربعة معاً كان أكثر فعالية بكثير من النظر إلى منظر واحد فقط. فمن خلال دمج المعلومات من الصور البانورامية، والأمامية، والجانبية، والعرضية، نجح النظام في تصنيف شدة الانحشار بدقة بلغت 91.2% من المرات. وقد أثبت هذا النهج متعدد المناظر تفوقه على أي نوع منفرد من الصور؛ فعلى سبيل المثال، بينما كان المنظر البانورامي وحده جيداً جداً بدقة بلغت 88.5%، إلا أن المنظر الأمامي وحده واجه صعوبة، حيث حقق دقة 74.3% فقط.

أظهرت النتائج أن النظام كان موثوقاً بشكل خاص في تحديد الحالات القصوى: الأسنان التي تبرز بشكل طبيعي والأسنان المنحشرة بشدة. فقد حدد الحالات الطبيعية بشكل صحيح بنسبة 93.4% والحالات الشديدة بنسبة 91.5%. والأهم من ذلك، لم يرتكب النموذج الخطأ الخطير المتمثل في وصف سن منحشر بشدة بأنه "طبيعي" أو سن طبيعي بأنه "شديد". وكانت الفئة الأكثر صعوبة بالنسبة للحاسوب هي المنطقة الوسطى المتمثلة في الانحشار الطفيف، حيث كان صحيحاً في حوالي 77% من الحالات. ويرجع ذلك على الأرجح إلى أن الحالات الطفيفة تبدو مشابهة جداً للأسنان الطبيعية في الأشعة السينية، مما يجعل تمييزها صعباً حتى على البشر. وأشار الباحثون إلى أن النظام ركز على نفس الأجزاء التي يركز عليها المتخصص البشري، وتحديداً طرف الناب وجذور الأسنان المجاورة، مما يشير إلى أن الحاسوب كان يتعلم السمات الصحيحة بدلاً من التخمين.

يُظهر هذا العمل أن الذكاء الاصطناعي يمكن أن يعمل كمساعد قوي في تقويم الأسنان، قادراً على تركيب زوايا متعددة من المسح لتوفير تقييم ثابت وسريع لانحشار الأسنان. ورغم أن النموذج ليس بديلاً لطبيب الأسنان، إلا أنه يقدم وسيلة لفحص المرضى بكفاءة أكبر وتحديد الحالات التي تحتاج إلى اهتمام فوري. وقد أكد الباحثون أنه لكي يتم استخدام هذه الأداة في العيادات الواقعية، ستحتاج إلى اختبارها على مجموعات أكبر من الناس من مواقع مختلفة ومع أنواع مختلفة من أجهزة المسح. وحتى ذلك الحين، يظل النظام بمثابة إثبات مفهوم واعد، يوضح أنه من خلال تقسيم مشكلة معقدة ثلاثية الأبعاد إلى قطع ثنائية الأبعاد مألوفة، يمكن للحواسيب أن تتعلم رؤية المشكلات السنية بدرجة عالية من الدقة، مما قد يساعد في اكتشاف المشكلات مبكراً وتوجيه خطط علاجية أفضل.

أبحاث مشابهة