ارزیابی هوش مصنوعی موبایلی برای غربالگری سرطان دهان در جامعه؛ مطالعه میدانی آینده‌نگر
هوش مصنوعی در غربالگری سرطان دهان می‌تواند به شناسایی سریع‌تر ضایعات مشکوک و اولویت‌بندی ارجاع بیماران به متخصصان کمک کند؛ بااین‌حال، عملکرد این فناوری در محیط واقعی با نتایج به‌دست‌آمده از مجموعه‌داده‌های آزمایشگاهی یا تصاویر انتخاب‌شده تفاوت دارد. مطالعه‌ای آینده‌نگر در شرق تایوان، یک سامانه موبایلی مجهز به هوش مصنوعی را در جریان غربالگری معمول سرطان دهان و با مشارکت کارکنان آموزش‌دیده غیرمتخصص ارزیابی کرده است.
این پژوهش نشان داد که سامانه مورد بررسی در شناسایی ضایعات کم‌خطر و اولویت‌بندی موارد نیازمند ارجاع، عملکرد کلی بالایی دارد؛ اما حساسیت آن برای ضایعات پرخطر کامل نیست و ارزش اخباری مثبت آن نیز در یک محیط با شیوع پایین ضایعات پرخطر، محدود باقی می‌ماند. بنابراین، این فناوری باید به‌عنوان ابزار پشتیبان تصمیم‌گیری و اولویت‌بندی ارجاع، تحت نظارت متخصص، استفاده شود؛ نه به‌عنوان جایگزین تشخیص پزشکی یا معاینه تخصصی.
خلاصه سریع
- مطالعه در فاصله ۱۷ ژوئن تا ۳۱ دسامبر ۲۰۲۵ در شرق تایوان انجام شد.
- ۶۰۲ نفر در برنامه غربالگری جامعه‌محور سرطان دهان شرکت کردند.
- در مجموع، ۴۲۸۳ تصویر قابل تفسیر داخل دهان برای ارزیابی تخصصی و تحلیل ضایعه‌ای بررسی شد.
- سامانه هوش مصنوعی تصاویر و ضایعات را در سه سطح سبز، زرد و قرمز دسته‌بندی کرد.
- از میان ۶۸ ضایعه‌ای که سامانه در گروه قرمز قرار داد، ۱۲ مورد توسط متخصصان پرخطر تأیید شدند.
- چهار ضایعه پرخطر دیگر در بررسی تخصصی شناسایی شد؛ در مجموع ۱۶ رویداد پرخطر در تحلیل اصلی وجود داشت.
- حساسیت شناسایی ضایعات پرخطر ۷۵ درصد و ارزش اخباری مثبت ۱۷/۶ درصد بود.
- ویژگی ۹۸/۶ درصد، ارزش اخباری منفی ۹۹/۹ درصد و دقت کلی ۹۸/۵ درصد گزارش شد.
- نتایج از استفاده از هوش مصنوعی برای اولویت‌بندی ارجاع، با نظارت متخصص، حمایت می‌کنند؛ اما برای تشخیص مستقل سرطان دهان کافی نیستند.
تعاریف ضروری
غربالگری سرطان دهان چیست؟
غربالگری سرطان دهان فرایندی برای شناسایی زودهنگام تغییرات غیرطبیعی در لب‌ها، زبان، کف دهان، مخاط گونه، کام و لثه است. هدف غربالگری، تشخیص قطعی سرطان در همان مرحله نخست نیست؛ بلکه شناسایی افرادی است که به ارزیابی دقیق‌تر، نمونه‌برداری یا پیگیری تخصصی نیاز دارند. تشخیص نهایی معمولاً بر اساس معاینه متخصص، شرح‌حال، نمونه‌برداری بافتی و بررسی آسیب‌شناسی انجام می‌شود.
ضایعه دهانی پرخطر
ضایعه دهانی پرخطر به تغییراتی در بافت دهان گفته می‌شود که از نظر ظاهر، محل، اندازه، ماندگاری یا ویژگی‌های بالینی احتمال ارتباط بیشتری با بدخیمی یا تغییرات پیش‌سرطانی دارند. این اصطلاح لزوماً به معنای وجود سرطان قطعی نیست. زخم ماندگار، لکه‌های سفید یا قرمز غیرطبیعی، توده، سفتی بافت، خونریزی بی‌دلیل و تغییرات پیشرونده از جمله علائمی هستند که باید توسط دندان‌پزشک یا متخصص بیماری‌های دهان بررسی شوند.
تریاژ با کمک هوش مصنوعی
تریاژ به معنای دسته‌بندی موارد بر اساس میزان خطر و فوریت بررسی است. در این مطالعه، هوش مصنوعی ضایعات را در سه سطح سبز، زرد و قرمز قرار داد. سطح قرمز به مواردی اختصاص داشت که احتمال خطر بیشتری داشته و نیازمند ارجاع سریع‌تر به متخصص بودند. این دسته‌بندی، تشخیص نهایی بیماری نیست؛ بلکه ابزاری برای مدیریت منابع و کاهش احتمال تأخیر در ارجاع است.
حساسیت، ویژگی و ارزش اخباری مثبت
حساسیت نشان می‌دهد سامانه چه نسبتی از موارد واقعاً پرخطر را شناسایی کرده است. ویژگی توانایی سامانه در شناسایی درست موارد غیرپرخطر است. ارزش اخباری مثبت بیان می‌کند چه نسبتی از مواردی که سامانه پرخطر اعلام کرده، واقعاً در ارزیابی مرجع پرخطر بوده‌اند. ارزش اخباری مثبت به شیوع بیماری نیز وابسته است؛ در محیط‌هایی که ضایعات پرخطر نادر هستند، حتی یک سامانه با ویژگی بالا ممکن است موارد مثبت کاذب قابل‌توجهی ایجاد کند.
بدنه اصلی مطالعه: ارزیابی هوش مصنوعی موبایلی در غربالگری واقعی سرطان دهان
چرا ارزیابی میدانی اهمیت دارد؟
بخش مهمی از پژوهش‌های هوش مصنوعی پزشکی با تصاویر آرشیوی، استانداردشده و گاه انتخاب‌شده انجام می‌شود. چنین داده‌هایی برای توسعه اولیه الگوریتم‌ها ارزشمند هستند، اما الزاماً شرایط واقعی غربالگری را بازتاب نمی‌دهند. در برنامه‌های جامعه‌محور، تصاویر ممکن است با تلفن همراه، در نور متفاوت، با زاویه‌های گوناگون و توسط کارکنان غیرمتخصص ثبت شوند. وجود بزاق، حرکت بیمار، محدودیت باز کردن دهان و تفاوت در کیفیت دوربین نیز می‌تواند عملکرد الگوریتم را تغییر دهد.
مطالعه حاضر با تمرکز بر همین شکاف طراحی شد: آیا یک سامانه موبایلی هوش مصنوعی می‌تواند در روند واقعی غربالگری، کیفیت تصویر را کنترل و ضایعات را برای ارجاع تخصصی اولویت‌بندی کند؟
طراحی و محیط اجرای پژوهش
این پژوهش یک ارزیابی میدانی آینده‌نگر و جامعه‌محور بود که در شرق تایوان انجام شد. جمع‌آوری داده‌ها از ۱۷ ژوئن تا ۳۱ دسامبر ۲۰۲۵ ادامه داشت. تصاویر داخل دهان در جریان فعالیت‌های معمول غربالگری سرطان دهان و با استفاده از دستگاه‌های موبایلی دستی ثبت شدند.
ثبت تصاویر توسط کارکنان آموزش‌دیده غیرمتخصص انجام شد. این نکته از نظر قابلیت تعمیم اهمیت دارد، زیرا در بسیاری از مناطق کم‌برخوردار یا دورافتاده، دسترسی مستمر به متخصص بیماری‌های دهان، جراح فک و صورت یا دندان‌پزشک متخصص محدود است. بااین‌حال، آموزش کاربر و وجود سازوکار کنترل کیفیت برای کاهش خطاهای تصویربرداری ضروری است.
کنترل کیفیت تصویر و حذف تصاویر غیرقابل ارزیابی
یکی از ویژگی‌های مهم سامانه، ارزیابی کیفیت تصویر در محل ثبت بود. اگر تصویر از نظر فنی مناسب نبود، تلاش برای تصویربرداری مجدد انجام می‌شد. تصاویری که پس از تکرار نیز کیفیت قابل‌قبولی نداشتند، در گروه «غیرقابل درجه‌بندی» قرار گرفتند و از تحلیل عملکرد کنار گذاشته شدند.
این رویکرد از نظر روش‌شناسی اهمیت دارد، زیرا الگوریتم نباید مجبور شود درباره تصویری که تار، کم‌نور یا ناقص است تصمیم‌گیری کند. در یک سامانه بالینی ایمن، تشخیص ناتوانی در تحلیل تصویر و درخواست تصویربرداری مجدد می‌تواند بهتر از تولید یک نتیجه ظاهراً قطعی اما نادرست باشد.
مدل تریاژ سه‌سطحی
سامانه ضایعات را در سه سطح خطر دسته‌بندی کرد:
- سطح سبز: احتمال پایین‌تر خطر بر اساس تحلیل تصویر و نیاز کمتر به ارجاع فوری.
- سطح زرد: سطح میانی خطر که می‌تواند نیازمند بررسی دقیق‌تر، پیگیری یا ارزیابی بالینی باشد.
- سطح قرمز: موارد مشکوک‌تر و پرخطرتر که برای ارجاع به متخصص اولویت دارند.
تحلیل اصلی پژوهش، شناسایی ضایعات پرخطر با مقایسه تریاژ قرمز در برابر غیرقرمز بود. این طراحی با کاربرد عملی سامانه همخوانی دارد، زیرا در برنامه‌های غربالگری، یکی از اهداف اصلی فناوری می‌تواند کمک به یافتن مواردی باشد که نباید در فرایند ارجاع از دست بروند.
استاندارد مرجع بالینی
سه متخصص دارای بورد در حوزه جراحی دهان و فک و صورت، تصاویر را به‌صورت ساختاریافته بررسی کردند. سپس اختلاف‌نظرها از طریق داوری اجماعی حل شد و استاندارد مرجع عملیاتی برای مقایسه با خروجی هوش مصنوعی شکل گرفت.
استفاده از چند متخصص و داوری اجماعی، اعتبار ارزیابی را افزایش می‌دهد؛ بااین‌حال باید توجه داشت که استاندارد مرجع مبتنی بر بررسی تصویری متخصصان، الزاماً معادل تشخیص آسیب‌شناسی بر اساس نمونه‌برداری نیست. به همین دلیل، نتایج این مطالعه بیشتر درباره «اولویت‌بندی ضایعات برای ارجاع» تفسیر می‌شود، نه تأیید قطعی سرطان بافتی.
نتایج اصلی پژوهش
جمعیت و حجم تصاویر
در این مطالعه ۶۰۲ فرد غربالگری شدند. پس از فرایند کنترل کیفیت، ۴۲۸۳ تصویر قابل تفسیر داخل دهان برای بررسی متخصصان و تحلیل در سطح ضایعه وارد مطالعه شد. تعداد بالای تصاویر نسبت به تعداد افراد نشان می‌دهد که از هر فرد ممکن است چند تصویر از نواحی مختلف دهان ثبت شده باشد؛ بنابراین، تفسیر نتایج در سطح تصویر یا ضایعه باید از تفسیر مستقیم در سطح بیمار جدا شود.
عملکرد تریاژ قرمز
هوش مصنوعی ۶۸ ضایعه را در سطح قرمز قرار داد. از این میان، ۱۲ مورد توسط ارزیابی تخصصی به‌عنوان ضایعه پرخطر تأیید شدند. علاوه بر این، متخصصان در جریان بررسی خود چهار مورد پرخطر دیگر را شناسایی کردند که در گروه قرمز سامانه قرار نگرفته بودند. بنابراین، تعداد کل رویدادهای پرخطر برای تحلیل اصلی ۱۶ مورد بود.
حساسیت سامانه برای شناسایی ضایعات پرخطر ۷۵ درصد گزارش شد. به بیان ساده، سامانه توانست ۱۲ مورد از ۱۶ مورد پرخطر را در سطح قرمز شناسایی کند، اما چهار مورد را از دست داد. فاصله اطمینان ۹۵ درصد برای حساسیت ۵۰/۵ تا ۸۹/۸ درصد بود که نشان‌دهنده عدم‌قطعیت آماری، به‌ویژه به دلیل تعداد محدود موارد پرخطر، است.
ارزش اخباری مثبت ۱۷/۶ درصد بود؛ یعنی از ۶۸ موردی که سامانه قرمز اعلام کرد، ۱۲ مورد در ارزیابی مرجع پرخطر شناخته شدند. این عدد به معنای بی‌فایده بودن تریاژ قرمز نیست، زیرا در غربالگری جمعیت‌هایی با شیوع پایین ضایعات پرخطر، مثبت کاذب می‌تواند اجتناب‌ناپذیر باشد. در چنین شرایطی، سامانه ممکن است به قیمت ارجاع یا بررسی بیشتر برخی افراد، احتمال از دست رفتن موارد خطرناک را کاهش دهد.
ویژگی ۹۸/۶ درصد، ارزش اخباری منفی ۹۹/۹ درصد و دقت کلی ۹۸/۵ درصد بود. ارزش اخباری منفی بالا نشان می‌دهد نتیجه غیرقرمز در این جمعیت با احتمال بسیار زیادی با نبود ضایعه پرخطر همراه بود؛ اما این شاخص نباید بدون توجه به طراحی مطالعه، شیوع بیماری، کیفیت تصاویر و تفاوت‌های جمعیتی به همه محیط‌ها تعمیم داده شود.
تحلیل ROC و Precision-Recall
مقادیر ROC-AUC برای دسته‌های قرمز، زرد و سبز به‌ترتیب ۰/۹۵۷، ۰/۹۳۱ و ۰/۹۶۴ گزارش شد. مقدار بالاتر سطح زیر منحنی ROC معمولاً نشان‌دهنده توانایی بهتر سامانه در تفکیک موارد پرخطر از غیرپرخطر در آستانه‌های مختلف است.
در داده‌های نامتوازن، یعنی زمانی که موارد پرخطر بسیار کمتر از موارد غیرپرخطر هستند، منحنی Precision-Recall اطلاعات مکملی ارائه می‌کند. PR-AUC برای سطوح قرمز، زرد و سبز به‌ترتیب ۰/۸۲۳۵، ۰/۹۰۵۲ و ۰/۹۴۷۶ بود. این نتایج باید همراه با حساسیت، ویژگی و ارزش اخباری مثبت تفسیر شوند و نباید تنها بر اساس یک شاخص درباره آمادگی بالینی الگوریتم تصمیم گرفت.
توافق میان متخصصان
توافق اولیه میان متخصصان بالا بود. مقدار کاپای Fleiss برابر با ۰/۹۲۱ و مقدار Gwet’s AC1 برابر با ۰/۹۸۱ گزارش شد. این یافته نشان می‌دهد کارشناسان در طبقه‌بندی تصاویر، پیش از رسیدن به اجماع نهایی، همخوانی قابل‌توجهی داشتند. بااین‌حال، توافق بالا میان متخصصان جایگزین اعتبارسنجی با پیامدهای واقعی بیمار، مانند نتیجه نمونه‌برداری و پیگیری طولانی‌مدت، نمی‌شود.
اهمیت بالینی و کاربردهای احتمالی
کمک به اولویت‌بندی ارجاع
مهم‌ترین کاربرد قابل‌دفاع این سامانه، کمک به اولویت‌بندی ارجاع بیماران در برنامه‌های غربالگری است. در مناطقی که تعداد متخصصان محدود است، خروجی قرمز می‌تواند برای بازبینی سریع‌تر تصاویر، تماس با بیمار و تعیین زمان و سطح ارجاع استفاده شود. این کاربرد با تشخیص مستقل سرطان تفاوت دارد و تصمیم نهایی باید در اختیار پزشک یا دندان‌پزشک واجد صلاحیت باقی بماند.
امکان استفاده در مناطق کم‌برخوردار
ترکیب تصویربرداری موبایلی، کنترل کیفیت در محل و تحلیل خودکار می‌تواند به توسعه غربالگری در مناطق روستایی یا دورافتاده کمک کند. در ایران نیز چنین رویکردی، در صورت اعتبارسنجی بومی، می‌تواند در مراکز بهداشت، کلینیک‌های سیار، برنامه‌های سلامت دهان مدارس بزرگسالان و مناطق دارای کمبود نیروی متخصص بررسی شود.
بااین‌حال، اجرای واقعی نیازمند زیرساخت اینترنت یا پردازش محلی، آموزش کاربران، حفاظت از داده‌های سلامت، مسیر مشخص ارجاع و امکان پیگیری بیمار است. بدون این زنجیره، شناسایی یک تصویر مشکوک الزاماً به بهبود پیامدهای سلامت منجر نمی‌شود.
اهمیت لثه و بافت‌های داخل دهان در تصویربرداری
ثبت تصاویر منظم و واضح از لثه، مخاط گونه، زبان و کف دهان برای ارزیابی درست ضروری است. التهاب، خونریزی، جرم دندانی و بیماری‌های شایع لثه ممکن است ظاهر بافت را تغییر دهند و بر تحلیل تصویری اثر بگذارند. بنابراین، تصاویر باید با نور کافی، میدان دید مناسب، کنار زدن بافت‌های مزاحم و تمرکز دقیق بر ناحیه موردنظر تهیه شوند. ظاهر مرتب و سالم لثه در تصویر می‌تواند کیفیت بصری محتوای آموزشی را افزایش دهد، اما در محیط بالینی نباید باعث نادیده گرفتن ضایعات کوچک یا تغییرات ظریف شود.
محدودیت‌های مطالعه و ملاحظات تفسیری
- تعداد موارد پرخطر تنها ۱۶ مورد بود؛ بنابراین برآورد حساسیت و ارزش اخباری مثبت با عدم‌قطعیت همراه است.
- استاندارد مرجع بر اساس داوری متخصصان و تصاویر شکل گرفت و نه الزاماً نمونه‌برداری و آسیب‌شناسی همه موارد.
- مطالعه در یک منطقه از تایوان انجام شد و تفاوت‌های جمعیتی، ژنتیکی، رفتاری و اپیدمیولوژیک می‌تواند تعمیم نتایج به ایران یا سایر کشورها را محدود کند.
- ارزیابی پیامدهای نهایی بیمار، مانند زمان ارجاع، نتیجه پاتولوژی، مرحله سرطان و بقای بیمار، در این گزارش مشخص نشده است.
- مشخص نیست استفاده از سامانه تا چه اندازه زمان غربالگری، بار کاری متخصصان یا هزینه‌های نظام سلامت را کاهش می‌دهد.
- مواردی که از نظر فنی غیرقابل درجه‌بندی بودند از تحلیل عملکرد حذف شدند؛ در کاربرد واقعی باید نرخ این تصاویر و پیامد آن‌ها به‌طور جداگانه گزارش شود.
- عملکرد الگوریتم ممکن است با تغییر نوع دستگاه، نور محیط، کیفیت آموزش کاربر و الگوهای بیماری در جمعیت‌های دیگر تغییر کند.
آیا این فناوری می‌تواند جایگزین دندان‌پزشک شود؟
خیر. نتایج مطالعه از جایگزینی متخصص با هوش مصنوعی حمایت نمی‌کند. سامانه، یک ابزار تریاژ و پشتیبان تصمیم‌گیری است که می‌تواند به شناسایی موارد نیازمند توجه بیشتر کمک کند. تشخیص قطعی سرطان دهان به ارزیابی بالینی، بررسی عوامل خطر، معاینه کامل و در صورت نیاز نمونه‌برداری نیاز دارد. همچنین نتیجه غیرقرمز نباید در فردی با علائم پایدار یا پیشرونده، مانع مراجعه به پزشک شود.
چشم‌انداز پژوهش‌های آینده
پژوهش‌های بعدی باید در چند مرکز و با جمعیت‌های متنوع انجام شوند. ارزیابی کورشده، گزارش نتایج در سطح فرد، پیگیری طولانی‌مدت، مقایسه با تشخیص آسیب‌شناسی و سنجش پیامدهای واقعی غربالگری از الزامات مهم هستند. همچنین باید مشخص شود آیا استفاده از هوش مصنوعی باعث کاهش زمان ارجاع، افزایش کشف سرطان در مراحل اولیه و بهبود عدالت در دسترسی به خدمات می‌شود یا خیر.
برای استفاده در ایران، توسعه یا اعتبارسنجی الگوریتم با تصاویر مربوط به جمعیت ایرانی، دستگاه‌های رایج، شرایط نوری متنوع و الگوهای بومی مصرف دخانیات و عوامل خطر اهمیت دارد. طراحی پروتکل‌های استاندارد برای تصویربرداری از لثه و سایر بافت‌های دهان و اتصال سامانه به شبکه ارجاع نیز باید هم‌زمان با توسعه فنی دنبال شود.
جمع‌بندی
مطالعه حاضر نشان می‌دهد یک سامانه موبایلی هوش مصنوعی می‌تواند با کنترل کیفیت تصویر و تریاژ سه‌سطحی، در غربالگری جامعه‌محور سرطان دهان و با استفاده از کارکنان غیرمتخصص آموزش‌دیده ادغام شود. عملکرد سامانه در حذف موارد غیرپرخطر و شناسایی بخش قابل‌توجهی از ضایعات پرخطر مناسب بود؛ اما حساسیت ۷۵ درصدی به این معناست که بخشی از موارد پرخطر ممکن است در گروه قرمز قرار نگیرند.
بر اساس این شواهد، بهترین جایگاه فعلی فناوری، اولویت‌بندی ارجاع و پشتیبانی از متخصص است، نه تشخیص خودکار یا تصمیم‌گیری مستقل. هرگونه استفاده بالینی گسترده باید پس از اعتبارسنجی چندمرکزی، بررسی ایمنی، ارزیابی پیامدهای بیمار و ایجاد مسیر روشن برای پیگیری انجام شود.
سوالات متداول
آیا هوش مصنوعی می‌تواند سرطان دهان را قطعی تشخیص دهد؟
خیر. هوش مصنوعی در این مطالعه برای تریاژ ضایعات و شناسایی موارد نیازمند ارجاع استفاده شد. تشخیص قطعی معمولاً به معاینه تخصصی و در صورت نیاز نمونه‌برداری و بررسی پاتولوژی نیاز دارد.
حساسیت ۷۵ درصد در این مطالعه چه معنایی دارد؟
یعنی سامانه توانست ۱۲ مورد از ۱۶ ضایعه پرخطر شناسایی‌شده در ارزیابی مرجع را در سطح قرمز قرار دهد. چهار مورد پرخطر در تریاژ قرمز شناسایی نشدند؛ بنابراین نتیجه غیرقرمز، جایگزین پیگیری بالینی در افراد علامت‌دار نیست.
چرا ارزش اخباری مثبت سامانه فقط ۱۷/۶ درصد بود؟
در این مطالعه تعداد ضایعات پرخطر نسبت به کل موارد پایین بود. در چنین محیط کم‌شیوعی، حتی سامانه‌ای با ویژگی بالا می‌تواند موارد مثبت کاذب داشته باشد. این موارد ممکن است به ارجاع یا بررسی بیشتر نیاز داشته باشند، اما الزاماً به معنای سرطان نیستند.
آیا این فناوری برای غربالگری در ایران آماده است؟
نتایج، امکان‌پذیری چنین رویکردی را نشان می‌دهد، اما برای استفاده در ایران به اعتبارسنجی با داده‌های بومی، بررسی عملکرد در مراکز مختلف، آموزش کاربران، رعایت محرمانگی داده‌ها و طراحی مسیر ارجاع نیاز است.
چه علائمی باید موجب مراجعه به دندان‌پزشک یا پزشک شود؟
زخم یا لکه‌ای که بیش از دو هفته باقی بماند، توده، سفتی، خونریزی بی‌دلیل، بی‌حسی، درد مداوم، مشکل در جویدن یا بلع و تغییرات پایدار در زبان، لثه یا مخاط دهان باید توسط متخصص بررسی شود.
مشخصات مقاله
- عنوان اصلی: Mobile AI-Assisted Oral Lesion Triage for Community Oral Cancer Screening: Prospective Field Evaluation Study
- نویسندگان: Hao-Yun Liu و همکاران
- مجله: JMIR mHealth and uHealth
- سال انتشار: ۲۰۲۶
- DOI: 10.2196/101721
- PMID: 42665557
درباره سانوس
سانوس (Sanous) با تمرکز بر هوش مصنوعی در سلامت، پژوهش‌های نوین پزشکی و فناوری‌های تحول‌آفرین را برای مخاطب فارسی‌زبان تحلیل می‌کند. موضوع این مقاله نمونه‌ای از نقش سانوس در توضیح علمی ظرفیت‌ها و محدودیت‌های هوش مصنوعی پزشکی است؛ به‌ویژه در حوزه‌ای مانند سلامت دهان که استفاده ایمن از فناوری باید در کنار تخصص انسانی، تشخیص آسیب‌شناسی و مسیر ارجاع قابل‌اعتماد قرار گیرد.
منبع مقاله
JMIR mHealth and uHealth. Liu HY et al. Mobile AI-Assisted Oral Lesion Triage for Community Oral Cancer Screening: Prospective Field Evaluation Study. 2026. DOI: 10.2196/101721.
برای مشاهده مقاله رو دکمه زیر کلیک کنید
