هوش مصنوعی در تشخیص ضایعات دهان و فک‌وصورت؛ شواهد، محدودیت‌ها و آینده پزشکی دیجیتال
خلاصه سریع
- این مقاله مروری، شواهد موجود درباره کاربرد هوش مصنوعی در شناسایی و تشخیص ضایعات دهان و فک‌وصورت را بررسی می‌کند.
- چهار گروه اصلی بیماری‌ها ارزیابی شده‌اند: کیست‌های ادنتوژنیک، تومورهای ادنتوژنیک، اختلالات بالقوه بدخیم دهان و سرطان سلول سنگفرشی دهان.
- مدل‌های یادگیری ماشین و یادگیری عمیق، به‌ویژه در تحلیل تصاویر، در بسیاری از مطالعات عملکردی نزدیک به دندان‌پزشکان و متخصصان باتجربه داشته‌اند.
- در برخی موقعیت‌ها، حساسیت بالاتر هوش مصنوعی می‌تواند به شناسایی زودهنگام بیماری کمک کند؛ بااین‌حال، برتری پایدار و عمومی هوش مصنوعی نسبت به پزشکان اثبات نشده است.
- مهم‌ترین محدودیت‌ها شامل مطالعات گذشته‌نگر، حجم نمونه کم، داده‌های انتخاب‌شده یا غیرواقعی، نبود اعتبارسنجی خارجی و گزارش‌دهی ناهمگون معیارهای تشخیصی است.
- بر اساس شواهد فعلی، هوش مصنوعی بیشتر باید به‌عنوان ابزار کمکی برای تصمیم‌گیری بالینی استفاده شود، نه جایگزین دندان‌پزشک، جراح فک‌وصورت یا آسیب‌شناس.
- اجرای روزمره این فناوری در تشخیص ضایعات دهان، پیش از انجام مطالعات آینده‌نگر، چندمرکزی و مبتنی بر پیامدهای واقعی بیماران، هنوز زودهنگام است.
مشخصات مقاله
- عنوان اصلی: Artificial intelligence for the detection and diagnosis of oral and maxillofacial lesions: evidence, limitations, and future directions
- عنوان فارسی: هوش مصنوعی برای شناسایی و تشخیص ضایعات دهان و فک‌وصورت: شواهد، محدودیت‌ها و مسیرهای آینده
- نوع مقاله: مقاله مروری
- نویسندگان: Maria Augusta Visconti و همکاران
- نام مجله: Brazilian Oral Research
- سال انتشار: ۲۰۲۶
- شناسه DOI: در متن ارائه‌شده از PubMed درج نشده است.
- شناسه PubMed: 42659419
تعاریف ضروری
هوش مصنوعی در پزشکی و دندان‌پزشکی
هوش مصنوعی به مجموعه‌ای از روش‌های محاسباتی گفته می‌شود که به سامانه‌ها امکان می‌دهد الگوهای پیچیده را از داده‌ها بیاموزند، طبقه‌بندی انجام دهند و برای یک مسئله مشخص پیش‌بینی یا پیشنهاد تشخیصی ارائه کنند. در دندان‌پزشکی، این داده‌ها می‌توانند شامل تصاویر رادیوگرافی، تصاویر داخل دهان، اسکن‌های سه‌بعدی، تصاویر بالینی، اسلایدهای بافت‌شناسی و اطلاعات پرونده بیمار باشند.
یادگیری ماشین و یادگیری عمیق
یادگیری ماشین شاخه‌ای از هوش مصنوعی است که در آن الگوریتم با استفاده از نمونه‌های برچسب‌گذاری‌شده یا بدون برچسب، روابط میان ویژگی‌های داده و نتیجه بالینی را یاد می‌گیرد. یادگیری عمیق، زیرمجموعه‌ای از یادگیری ماشین، از شبکه‌های عصبی چندلایه استفاده می‌کند و در تحلیل تصاویر پزشکی، به‌ویژه شبکه‌های عصبی کانولوشنی، کاربرد گسترده‌ای دارد.
ضایعات دهان و فک‌وصورت
ضایعات دهان و فک‌وصورت طیف گسترده‌ای از تغییرات خوش‌خیم، پیش‌بدخیم و بدخیم را شامل می‌شوند. تشخیص آن‌ها معمولاً به ترکیب معاینه بالینی، تصویربرداری، شرح حال، نمونه‌برداری و بررسی آسیب‌شناسی نیاز دارد. شباهت ظاهری برخی ضایعات و تفاوت در تجربه متخصصان می‌تواند تشخیص را دشوار کند.
کیست‌ها و تومورهای ادنتوژنیک
کیست‌ها و تومورهای ادنتوژنیک از بافت‌ها یا بقایای مرتبط با تشکیل دندان منشأ می‌گیرند. این ضایعات ممکن است در استخوان فک ایجاد شوند و در تصاویر پانورامیک، پری‌اپیکال، توموگرافی کامپیوتری یا تصویربرداری سه‌بعدی دیده شوند. افتراق دقیق آن‌ها برای انتخاب درمان مناسب، تعیین وسعت جراحی و پیش‌بینی عود اهمیت دارد.
اختلالات بالقوه بدخیم دهان
اختلالات بالقوه بدخیم دهان یا OPMD به تغییرات بالینی یا بافتی گفته می‌شود که احتمال تبدیل آن‌ها به سرطان دهان بیشتر از مخاط طبیعی است. لک سفید، لک قرمز و برخی تغییرات مختلط می‌توانند در این گروه قرار گیرند، اما تشخیص قطعی به ارزیابی متخصص و در بسیاری از موارد نمونه‌برداری نیاز دارد.
سرطان سلول سنگفرشی دهان
سرطان سلول سنگفرشی دهان یا OSCC شایع‌ترین بدخیمی مخاط دهان است. تشخیص دیرهنگام آن با افزایش درگیری بافتی، درمان پیچیده‌تر و پیامد نامطلوب‌تر همراه است. به همین دلیل، هر فناوری که بتواند ضایعات مشکوک را زودتر شناسایی کند، از نظر سلامت عمومی و کاهش نابرابری دسترسی به متخصص اهمیت بالقوه دارد.
روش تحقیق مقاله
پژوهش مورد بحث یک مرور جامع درباره کاربرد هوش مصنوعی در تشخیص ضایعات دهان و فک‌وصورت است. نویسندگان از یک راهبرد جست‌وجوی ساختاریافته استفاده کردند که ترکیبی از اصطلاحات کنترل‌شده MeSH و کلیدواژه‌های آزاد بود. این راهبرد چهار محور را پوشش می‌داد: بیماری‌های هدف، روش‌های هوش مصنوعی، شاخص‌های عملکرد تشخیصی و گروه‌های مقایسه‌ای از پزشکان یا دندان‌پزشکان.
بر اساس اطلاعات موجود در متن PubMed، هدف اصلی مرور، سنتز شواهد فعلی و بررسی مسیرهای آینده برای گردش‌کارهای تشخیصی مبتنی بر هوش مصنوعی یا پشتیبانی‌شده با هوش مصنوعی بوده است. چکیده ارائه‌شده جزئیات کاملی درباره پایگاه‌های اطلاعاتی جست‌وجوشده، بازه زمانی جست‌وجو، معیارهای دقیق ورود و خروج، تعداد مطالعات نهایی یا روش رسمی ارزیابی خطر سوگیری ارائه نمی‌کند؛ بنابراین نمی‌توان فراتر از اطلاعات گزارش‌شده درباره این موارد نتیجه‌گیری کرد.
یافته‌های علمی درباره عملکرد هوش مصنوعی
تشخیص مبتنی بر تصویر
بیشترین ظرفیت گزارش‌شده هوش مصنوعی در وظایف مبتنی بر تصویر مشاهده شده است. الگوریتم‌ها می‌توانند الگوهایی را در تصاویر رادیولوژیک یا بالینی شناسایی کنند که برای چشم انسان ظریف، پراکنده یا وابسته به تجربه باشند. در مطالعات بررسی‌شده، مدل‌ها در تشخیص و طبقه‌بندی برخی ضایعات، عملکردی امیدوارکننده و در موارد متعددی نزدیک به متخصصان باتجربه نشان داده‌اند.
این عملکرد به معنای تشخیص مستقل و قطعی بیماری نیست. مدل هوش مصنوعی معمولاً بر اساس داده‌هایی آموزش می‌بیند که برچسب آن‌ها توسط متخصص یا نتیجه آسیب‌شناسی تعیین شده است. اگر داده آموزشی ناقص، محدود یا دارای سوگیری باشد، مدل نیز ممکن است همان خطاها را بازتولید کند.
حساسیت و نقش آن در تشخیص زودهنگام
حساسیت بیانگر توانایی آزمون برای شناسایی درست افراد مبتلا است. در غربالگری ضایعات بالقوه بدخیم و سرطان دهان، حساسیت بالا اهمیت ویژه‌ای دارد؛ زیرا از دست رفتن یک ضایعه مشکوک می‌تواند مراجعه بیمار و آغاز درمان را به تأخیر بیندازد. مقاله اشاره می‌کند که در برخی زمینه‌ها، مدل‌های هوش مصنوعی حساسیت بهتری نشان داده‌اند و این موضوع می‌تواند به شناسایی زودتر بیماری کمک کند.
بااین‌حال، افزایش حساسیت معمولاً باید در کنار ویژگی، ارزش اخباری مثبت، ارزش اخباری منفی و میزان مثبت کاذب تفسیر شود. مدلی که تقریباً همه موارد مشکوک را شناسایی می‌کند اما تعداد زیادی نتیجه مثبت کاذب تولید می‌کند، ممکن است موجب ارجاع‌های غیرضروری، نمونه‌برداری بیشتر، اضطراب بیمار و افزایش هزینه‌های درمان شود.
مقایسه با متخصصان
نتیجه مهم مرور این است که شواهد موجود برتری ثابت و یکسان هوش مصنوعی نسبت به پزشکان را در تمام معیارهای عملکردی تأیید نمی‌کند. عملکرد مدل‌ها بسته به بیماری، نوع تصویر، کیفیت داده، تعریف نقطه پایان، جمعیت مورد مطالعه و تخصص گروه مقایسه تغییر می‌کند. بنابراین، مقایسه یک مدل با یک متخصص یا کارآموز در یک مجموعه داده محدود، به‌تنهایی برای اثبات آمادگی بالینی کافی نیست.
محدودیت‌های شواهد موجود
مطالعات گذشته‌نگر
بخش قابل‌توجهی از پژوهش‌های هوش مصنوعی بر داده‌های گذشته‌نگر انجام می‌شود. در این طراحی، تصاویر و تشخیص‌های قبلی تحلیل می‌شوند و مدل در شرایط کنترل‌شده ارزیابی می‌شود. چنین مطالعاتی برای توسعه الگوریتم مفیدند، اما الزاماً نشان نمی‌دهند که سامانه در محیط واقعی، با بیماران متنوع و تصاویر ناقص، همان عملکرد را خواهد داشت.
حجم نمونه کم و داده‌های انتخاب‌شده
مجموعه داده‌های کوچک یا گزینش‌شده می‌توانند باعث برآورد بیش‌ازحد عملکرد شوند. اگر تصاویر دشوار، موارد مرزی، کیفیت‌های متفاوت تصویربرداری یا بیماران دارای بیماری‌های هم‌زمان در داده‌ها کم باشند، مدل ممکن است در عمل با افت عملکرد مواجه شود. مسئله دیگر، استفاده از تصاویر یک مرکز یا یک دستگاه خاص است که تعمیم‌پذیری مدل را محدود می‌کند.
نبود اعتبارسنجی خارجی
اعتبارسنجی خارجی یعنی آزمودن مدل روی داده‌هایی مستقل از مرکز، دستگاه، جمعیت یا دوره زمانی آموزش. نبود این مرحله یکی از مهم‌ترین شکاف‌های شواهد است. مدلی که در داده داخلی عملکرد عالی دارد، ممکن است هنگام استفاده در مراکز درمانی دیگر، در جمعیت‌های گوناگون یا در شرایط تصویربرداری متفاوت، دقت کمتری داشته باشد.
ناهمگونی معیارهای گزارش‌شده
مطالعات از معیارهای گوناگونی مانند حساسیت، ویژگی، دقت، سطح زیر منحنی ROC یا AUC استفاده کرده‌اند. تفاوت در تعریف بیماری، آستانه تصمیم‌گیری، واحد تحلیل و روش تقسیم داده‌ها، مقایسه مستقیم مطالعات را دشوار می‌کند. گزارش یک عدد بالا برای دقت، بدون ارائه حساسیت، ویژگی، فاصله اطمینان و مشخصات جمعیت، تصویر کاملی از ارزش بالینی مدل ارائه نمی‌دهد.
اهمیت بالینی برای نظام سلامت ایران
در ایران نیز تفاوت دسترسی به دندان‌پزشکان، متخصصان بیماری‌های دهان، جراحان فک‌وصورت و آسیب‌شناسان می‌تواند تشخیص برخی ضایعات را به تأخیر بیندازد. ابزارهای هوش مصنوعی در صورت اعتبارسنجی مناسب می‌توانند به دندان‌پزشکان عمومی و کادر درمانی در شناسایی موارد پرخطر، اولویت‌بندی ارجاع و کاهش اختلاف تشخیصی کمک کنند.
بااین‌حال، استفاده از مدل‌های آموزش‌دیده با تصاویر جمعیت‌های دیگر بدون ارزیابی بومی، از نظر علمی و بالینی قابل دفاع نیست. تفاوت در رنگ پوست و مخاط، الگوهای مصرف دخانیات و مواد، شیوع بیماری‌ها، کیفیت تجهیزات، نوع پرونده‌های ارجاعی و زبان رابط کاربری می‌تواند بر عملکرد سامانه اثر بگذارد. توسعه ابزار مناسب ایران نیازمند داده‌های چندمرکزی، ناشناس‌سازی دقیق، نظارت متخصصان و ارزیابی جداگانه در مراکز شهری و کم‌برخوردار است.
آیا هوش مصنوعی جایگزین پزشک می‌شود؟
نتیجه این مقاله چنین برداشتی را تأیید نمی‌کند. کاربرد واقع‌بینانه‌تر، هوش مصنوعی به‌عنوان سامانه پشتیبان تصمیم‌گیری است. این سامانه می‌تواند تصویر را علامت‌گذاری کند، احتمال خطر را تخمین بزند، موارد نیازمند ارجاع فوری را اولویت‌بندی کند یا نظر دوم ارائه دهد؛ اما تشخیص نهایی باید با درنظرگرفتن علائم، معاینه، سابقه بیمار، تصویربرداری و در صورت نیاز نمونه‌برداری انجام شود.
مدل‌های هوش مصنوعی همچنین ممکن است دچار خطای سیستماتیک، سوگیری داده، تغییر عملکرد پس از تغییر تجهیزات و دشواری در توضیح تصمیم شوند. بنابراین مسئولیت حرفه‌ای، رضایت آگاهانه، امنیت داده و مسیر رسیدگی به خطا باید پیش از استقرار بالینی مشخص باشد.
مسیرهای آینده پژوهش
نویسندگان بر نیاز به مطالعات آینده‌نگر و چندمرکزی با روش‌های استاندارد تأکید دارند. پژوهش‌های آینده باید علاوه بر معیارهای آزمایشگاهی، پیامدهای واقعی و بیمارمحور را نیز بسنجند؛ از جمله زمان تا تشخیص، کاهش موارد تشخیص‌داده‌نشده، تغییر در تصمیم درمانی، هزینه، تجربه بیمار و اثر بر دسترسی به خدمات.
شفافیت الگوریتمی نیز اهمیت دارد. پژوهشگران باید منبع داده، روش برچسب‌گذاری، نحوه مدیریت داده‌های گمشده، تقسیم مجموعه‌های آموزش و آزمون، معیارهای عملکرد و موارد شکست مدل را گزارش کنند. اعتبارسنجی خارجی، تحلیل زیرگروه‌ها و پایش مداوم عملکرد پس از استقرار نیز باید بخشی از چرخه عمر سامانه باشد.
جمع‌بندی
مرور منتشرشده در Brazilian Oral Research نشان می‌دهد هوش مصنوعی، به‌ویژه یادگیری عمیق در تحلیل تصاویر دهان و فک‌وصورت، ظرفیت قابل‌توجهی برای کمک به تشخیص ضایعات ادنتوژنیک، اختلالات بالقوه بدخیم و سرطان سلول سنگفرشی دهان دارد. بااین‌حال، شواهد فعلی به دلیل محدودیت‌های روش‌شناختی، برای جایگزین‌کردن قضاوت بالینی کافی نیستند. آینده این حوزه به داده‌های باکیفیت، اعتبارسنجی مستقل، استانداردسازی گزارش‌ها، تبیین‌پذیری و ادغام مسئولانه در گردش‌کار درمان وابسته است.
سوالات متداول
آیا هوش مصنوعی می‌تواند سرطان دهان را قطعی تشخیص دهد؟
خیر. هوش مصنوعی می‌تواند در شناسایی ضایعات مشکوک و اولویت‌بندی ارجاع کمک کند، اما تشخیص قطعی سرطان دهان معمولاً به ارزیابی بالینی و تأیید آسیب‌شناسی، اغلب از طریق نمونه‌برداری، نیاز دارد.
دقیق‌ترین کاربرد هوش مصنوعی در این حوزه چیست؟
بر اساس این مرور، تشخیص و طبقه‌بندی مبتنی بر تصویر از امیدوارکننده‌ترین کاربردهاست. بااین‌حال، دقت نهایی به نوع تصویر، کیفیت داده، بیماری هدف و جمعیت مورد استفاده وابسته است.
چرا اعتبارسنجی خارجی اهمیت دارد؟
زیرا نشان می‌دهد مدل در داده‌های مستقل از محیط آموزش نیز عملکرد قابل قبول دارد. بدون اعتبارسنجی خارجی، احتمال دارد مدل فقط ویژگی‌های یک مرکز یا مجموعه داده خاص را یاد گرفته باشد.
آیا استفاده از این فناوری برای دندان‌پزشکان عمومی مفید است؟
در صورت اعتبارسنجی و نظارت مناسب، می‌تواند به‌عنوان ابزار کمکی برای شناسایی موارد پرخطر، کاهش اختلاف تشخیصی و تصمیم‌گیری درباره ارجاع مفید باشد؛ اما نباید جایگزین معاینه و قضاوت حرفه‌ای شود.
مهم‌ترین مانع استفاده گسترده از هوش مصنوعی در تشخیص ضایعات دهان چیست؟
شکاف میان عملکرد آزمایشگاهی و عملکرد واقعی بالینی است. نبود داده‌های متنوع، مطالعات آینده‌نگر، اعتبارسنجی چندمرکزی، استانداردهای گزارش‌دهی و چارچوب روشن برای مسئولیت‌پذیری، اجرای گسترده را محدود می‌کند.
درباره سانوس
سانوس (Sanous) با تمرکز بر هوش مصنوعی در سلامت، تلاش می‌کند یافته‌های پژوهش‌های پزشکی و فناوری‌های نوین را به زبان دقیق، قابل‌فهم و کاربردی برای پزشکان، پژوهشگران و مخاطبان ایرانی ارائه کند. در موضوع تشخیص هوشمند ضایعات دهان و فک‌وصورت، رسالت سانوس تأکید بر فرصت‌های واقعی فناوری، هم‌زمان با توجه جدی به اعتبارسنجی، ایمنی بیمار، محرمانگی داده و محدودیت‌های علمی است.
منبع مقاله
Visconti MA و همکاران. Artificial intelligence for the detection and diagnosis of oral and maxillofacial lesions: evidence, limitations, and future directions. Brazilian Oral Research. 2026. PMID: 42659419. شناسه DOI در متن منبع ارائه‌شده ذکر نشده است.
برای مشاهده مقاله رو دکمه زیر کلیک کنید
