Eksperimentalna istraživanja pokazuju da bi novi modeli umjetne inteligencije mogli povećati tačnost detekcije zubnih oboljenja

Dental Tribune International

uto. 31 ožujka 2026

dijeliti

spasiti

TIRUCHIRAPPALLI, Indija: Integracija umjetne inteligencije (AI) u medicinsko snimanje može podržati dijagnozu i smanjiti kliničko opterećenje. Nova studija testirala je performanse dva novija modela prepoznavanja slika pomoću umjetne inteligencije – nazvanih transformatori – u automatskom otkrivanju uobičajenih stomatoloških stanja na panoramskim rendgenskim snimcima. Rezultati ističu njihov potencijal da podrže stomatologe bržim i pouzdanijim procjenama.

Studija, koju su proveli istraživači u Indiji, imala je za cilj utvrditi da li softver može pouzdano sortirati panoramski rendgenski snimak u kategoriju stanja - karijes, gingivitis, kamenac i hipodoncija - na osnovu ukupnog radiografskog obrasca. Autori su testirali dva transformatorska modela koji različito obrađuju sliku i uporedili njihove dijagnostičke performanse i brzinu. Njihov cilj je bio da se pozabave ograničenjima tradicionalnih dijagnostičkih metoda, uključujući subjektivnost, varijabilnost između kliničara i poteškoće u otkrivanju ranih ili suptilnih lezija.

Oni su obučavali, validirali i testirali modele koristeći skup podataka od preko 5.000 anotiranih panoramskih slika dobijenih iz više kliničkih repozitorija. Njihovi rezultati su pokazali da je model s najboljim performansama postigao nešto veće dijagnostičke performanse, dostigavši ​​oko 96% tačnosti. Drugi model je pružio uporedivu tačnost, ali je radio efikasnije - što je stvarna stvar. Ovdje se tačnost odnosi na to koliko često je model dodijelio ispravnu kategoriju cijelom rendgenskom snimku. Oba modela su bila u stanju da ispravno klasifikuju većinu rendgenskih snimaka, ali su se performanse razlikovale u zavisnosti od stanja.

Kako se ovo odnosi na AI proizvode koji se već koriste u klinikama?

Alati poput Pearl Second Opinion, VideaHealth Detect AI i Align X-ray Insights podržavaju donošenje odluka na način što obično ističu regije od interesa za specifične nalaze na radiografskim snimcima. Nasuprot tome, ova studija je procijenila da li se testirani AI modeli mogu koristiti za automatsku kategorizaciju radiografskih snimaka u cjelini, a ne kao regija.

Sveukupno, studija je zaključila da sistemi zasnovani na transformatorima nude obećavajući alat za automatsku dijagnozu i imaju potencijal da poboljšaju rano otkrivanje, smanje dijagnostičke greške i pojednostave radne procese. Budući rad će se fokusirati na testiranje s većim i raznovrsnijim skupovima podataka i usavršavanje modela kako bi se osigurala pouzdanost prije rutinske kliničke primjene.

Studija pod nazivom “A self attention based deep learning framework for accurate and efficient dental disease detection in OPG radiographs” („Okvir dubokog učenja zasnovan na samopažnji za tačno i efikasno otkrivanje zubnih bolesti na OPG radiografskim snimcima“) objavljena je online 21. januara 2026. u časopisu Scientific Reports.