ШТУЧНИЙ ІНТЕЛЕКТ У СУЧАСНІЙ СТОМАТОЛОГІЇ

О. І. Бульбук; О. В. Бульбук; О. В. Шутак; Ю. І. Сухоребський

doi:10.21802/artm.2025.2.34.101

Автор(и)

О. І. Бульбук Івано-Франківський національний медичний університет, кафедра ортопедичної стоматології, м. Івано-Франківськ, Україна https://orcid.org/0000-0001-9229-9334
О. В. Бульбук Івано-Франківський національний медичний університет, кафедра стоматології післядипломної освіти, м. Івано-Франківськ, Україна https://orcid.org/0000-0001-8985-8254
О. В. Шутак Івано-Франківський національний медичний університет, кафедра ортопедичної стоматології, м. Івано-Франківськ, Україна https://orcid.org/0009-0003-2874-4378
Ю. І. Сухоребський Івано-Франківський національний медичний університет, кафедра ортопедичної стоматології, м. Івано-Франківськ, Україна https://orcid.org/0009-0007-2077-5515

DOI:

https://doi.org/10.21802/artm.2025.2.34.101

Ключові слова:

штучний інтелект, стоматологія, машинне навчання, глибоке навчання, діагностика, лікування

Анотація

Використання штучного інтелекту (ШІ) у медицині, зокрема стоматології, відкриває нові можливості для точності діагностики, ефективності лікування та управління даними. Основні напрямки застосування ШІ включають машинне навчання, глибоке навчання та комп'ютерний зір.

Метою дослідження є проведення аналізу наукових першоджерел щодо використання ШІ в різноманітних галузях стоматології.

Було здійснено пошук та аналіз наукових публікацій у базах даних PubMed, Scopus, Web of Science та Google Scholar із використанням методів теоретичного узагальнення, формалізації, аналізу та синтезу.

Штучний інтелект виступає трансформаційною силою в сучасній цифровій революції, впливаючи на різні сектори економіки, виконуючи завдання, які зазвичай вимагають людського інтелекту. Цей огляд літератури дає можливість проаналізувати, як штучний інтелект впроваджується у стоматологію та впливає загалом на стоматологічну галузь. ШІ активно використовується у різних галузях стоматології: терапевтичній, ортопедичній, ортодонтії, пародонтології та ін. Алгоритми глибокого навчання допомагають у діагностиці карієсу, плануванні ортодонтичного лікування, прогнозуванні успішності імплантації та розробці цифрових стоматологічних конструкцій. Виявлено перспективи застосування ШІ для покращення якості діагностики та лікування, а також виклики, пов’язані з етичними та правовими аспектами.

Отже, ШІ є важливим інструментом у стоматології, який може підвищити точність діагностики, оптимізувати лікувальні процеси та зменшити вплив людського фактора. Подальші дослідження необхідні для стандартизації алгоритмів та інтеграції ШІ у клінічну практику.

Завантажити

Дані для завантаження поки недоступні.

Посилання

Schleyer TK, Thyvalikakath TP, Spallek H, Torres-Urquidy MH, Hernandez P, Yuhaniak J. Clinical computing in general dentistry. J Am Med Inform Assoc. 2006; 13(3):344-52. DOI: https://doi.org/10.1197/jamia.M1990 DOI: https://doi.org/10.1197/jamia.M1990

Chae YM, Yoo KB, Kim ES, Chae H. The adoption of electronic medical records and decision support systems in Korea. Healthc Inform Res. 2011; 17(3):172-7. DOI: https://doi.org/10.4258/hir.2011.17.3.172 DOI: https://doi.org/10.4258/hir.2011.17.3.172

Ding H, Wu J, Zhao W, Matinlinna JP, Burrow MF and Tsoi JKH. Artificial intelligence in dentistry-A review. Front. Dent. Med. 2023; 4:1085251. DOI: https://doi.org/10.3389/fdmed.2023.1085251 DOI: https://doi.org/10.3389/fdmed.2023.1085251

Fang G, Chow MC, Ho JD, He Z, Wang K, Ng T, et al. Soft robotic manipulator for intraoperative MRI-guided transoral laser microsurgery. Sci Robot. 2021; 6(57):eabg5575. DOI: https://doi.org/10.1126/scirobotics.abg5575 DOI: https://doi.org/10.1126/scirobotics.abg5575

Flowers JC. Strong and weak AI: deweyan considerations. AAAI Spring symposium: towards conscious AI systems. 2019.

Semerci ZM, Yardımcı S. Empowering Modern Dentistry: The Impact of Artificial Intelligence on Patient Care and Clinical Decision Making. Diagnostics. 2024; 14:1260. Available from: https://doi.org/10.3390/diagnostics14121260 DOI: https://doi.org/10.3390/diagnostics14121260

Norgeot B, Quer G, Beaulieu-Jones BK, Torkamani A, Dias R, Gianfrancesco M, et al. Minimum information about clinical artificial intelligence modeling: the MI-CLAIM checklist. Nat Med. 2020; 26(9):1320-4. DOI: https://doi.org/10.1038/s41591-020-1041-y DOI: https://doi.org/10.1038/s41591-020-1041-y

Huang Y-P, Lee S-Y. An Effective and Reliable Methodology for Deep Machine Learning Application in Caries Detection. medRxiv. 2021.

Fukuda M, Inamoto K, Shibata N, Ariji Y, Yanashita Y, Kutsuna S, et al. Evaluation of an artificial intelligence system for detecting vertical root fracture on panoramic radiography. Oral Radiol. 2020; 36(4):337-43. DOI: https://doi.org/10.1007/s11282-019-00409-x DOI: https://doi.org/10.1007/s11282-019-00409-x

Vadlamani R. Application of machine learning technologies for detection of proximal lesions in intraoral digital images: in vitro study. Louisville, Kentucky, USA: University of Louisville. 2020. DOI: https://doi.org/10.18297/etd/3519 DOI: https://doi.org/10.18297/etd/3519

Setzer FC, Shi KJ, Zhang Z, Yan H, Yoon H, Mupparapu M, et al. Artificial intelligence for the computer-aided detection of periapical lesions in cone-beam computed tomographic images. J Endod. 2020; 46(7):987-93. DOI: https://doi.org/10.1016/j.joen.2020.03.025 DOI: https://doi.org/10.1016/j.joen.2020.03.025

Jaiswal P, Bhirud S. Study and analysis of an approach towards the classification of tooth wear in dentistry using machine learning technique. IEEE International conference on technology, research, and innovation for betterment of society (TRIBES). IEEE. 2021. DOI: https://doi.org/10.1109/TRIBES52498.2021.9751650

Shetty H, Shetty S, Kakade A, Shetty A, Karobari MI, Pawar AM, et al. Threedimensional semi-automated volumetric assessment of the pulp space of teeth following regenerative dental procedures. Sci Rep. 2021; 11(1):21914. DOI: https://doi.org/10.1038/s41598-021-01489-8 DOI: https://doi.org/10.1038/s41598-021-01489-8

Lee J-H, Kim D-H, Jeong S-N, Choi S-H. Detection and diagnosis of dental

caries using a deep learning-based convolutional neural network algorithm. J Dent. 2018; 77:106-11. DOI: https://doi.org/10.1016/j.jdent.2018.07.015 DOI: https://doi.org/10.1016/j.jdent.2018.07.015

Kühnisch J, Meyer O, Hesenius M, Hickel R, Gruhn V. Caries detection on

intraoral images using artificial intelligence. J Dent Res. 2021; 101(2). DOI: https://doi.org/10.1177/00220345211032524. DOI: https://doi.org/10.1177/00220345211032524

Schwendicke F, Rossi J, Göstemeyer G, Elhennawy K, Cantu A, Gaudin R, et al. Cost-effectiveness of artificial intelligence for proximal caries detection. J Dent Res. 2021; 100(4):369-76. DOI: https://doi.org/10.1177/0022034520972335 DOI: https://doi.org/10.1177/0022034520972335

Chen Y-W, Stanley K, Att W. Artificial intelligence in dentistry: current applications and future perspectives. Quintessence Int. 2020; 51(3):248-57. DOI: https://doi.org/10.3290/j.qi.a43952

Krois J, Ekert T, Meinhold L, Golla T, Kharbot B, Wittemeier A, et al. Deep learning for the radiographic detection of periodontal bone loss. Sci Rep. 2019; 9(1):1-6. DOI: https://doi.org/10.1038/s41598-019-44839-3 DOI: https://doi.org/10.1038/s41598-019-44839-3

Bulbuk OI, Hrynishak EB, Bulbuk OV. vynakhidnyky; Ivano-Frankivskyi natsionalnyi medychnyi universytet, patentovlasnyk. Sposib vyznachennia obiemu defektiv tverdykh tkanyn zubiv. Patent Ukrainy na korysnu model. 2010; 51592.

Ozhohan ZR, Bulbuk OI, Buherchuk OV. Klinika, diahnostyka ta ortopedychni metody likuvannia zakhvoriuvan parodonta [Clinic, diagnostic and orthopedic methods of treatment of periodontal diseases]. Ivano-Frankivsk.[in Ukrainian]. 2008.

Lee J-H, Kim D-H, Jeong S-N, Choi S-H. Diagnosis and prediction of periodontally compromised teeth using a deep learning-based convolutional neural network algorithm. J Periodontal Implant Sci. 2018; 48(2):114-23. DOI: https://doi.org/10.5051/jpis.2018.48.2.114 DOI: https://doi.org/10.5051/jpis.2018.48.2.114

Yauney G, Rana A, Wong LC, Javia P, Muftu A, Shah P. Automated process incorporating machine learning segmentation and correlation of oral diseases with systemic health. 41st Annual international conference of the IEEE engineering in medicine and biology society (EMBC). IEEE. 2019. DOI: https://doi.org/10.1109/EMBC.2019.8857965

Proffita WR. The evolution of orthodontics to a data-based specialty. Am J Orthod Dentofacial Orthop. 2000; 117(5):545-7. DOI: https://doi.org/10.1016/S0889-5406(00)70194-6 DOI: https://doi.org/10.1016/S0889-5406(00)70194-6

Junaid N, Khan N, Ahmed N, Abbasi MS, Das G, Maqsood A. Development, application, and performance of artificial intelligence in cephalometric landmark identification and diagnosis: a systematic review. Healthcare. 2022; 10(12):2454. DOI: https://doi.org/10.3390/healthcare10122454 DOI: https://doi.org/10.3390/healthcare10122454

Thanathornwong B. Bayesian-based decision support system for assessing the needs for orthodontic treatment. Healthc Inform Res. 2018; 24(1):22-8. DOI: https://doi.org/10.4258/hir.2018.24.1.22 DOI: https://doi.org/10.4258/hir.2018.24.1.22

Xie X, Wang L, Wang A. Artificial neural network modeling for deciding if extractions are necessary prior to orthodontic treatment. Angle Orthod. 2010; 80(2):262-6. DOI: https://doi.org/10.2319/111608-588.1 DOI: https://doi.org/10.2319/111608-588.1

Jung S-K, Kim T-W. New approach for the diagnosis of extractions with neural network machine learning. Am J Orthod Dentofacial Orthop. 2016; 149(1):127-33. DOI: https://doi.org/10.1016/j.ajodo.2015.07.030 DOI: https://doi.org/10.1016/j.ajodo.2015.07.030

Park J-H, Hwang H-W, Moon J-H, Yu Y, Kim H, Her S-B, et al. Automated identification of cephalometric landmarks: part 1—comparisons between the latest deep-learning methods YOLOV3 and SSD. Angle Orthod. 2019; 89(6):903-9. DOI: https://doi.org/10.2319/022019-127.1 DOI: https://doi.org/10.2319/022019-127.1

Hwang H-W, Park J-H, Moon J-H, Yu Y, Kim H, Her S-B, et al. Automated identification of cephalometric landmarks: part 2-might it be better than human? Angle Orthod. 2020; 90(1):69-76. DOI: https://doi.org/10.2319/022019-129.1 DOI: https://doi.org/10.2319/022019-129.1

Bulatova G, Kusnoto B, Grace V, Tsay TP, Avenetti DM, Sanchez FJC. Assessment of automatic cephalometric landmark identification using artificial intelligence. Orthod Craniofac Res. 2021; 24:37-42. DOI: https://doi.org/10.1111/ocr.12542 DOI: https://doi.org/10.1111/ocr.12542

Choi H-I, Jung S-K, Baek S-H, Lim WH, Ahn S-J, Yang I-H, et al. Artificial intelligent model with neural network machine learning for the diagnosis of orthognathic surgery. J Craniofac Surg. 2019; 30(7):1986-9. DOI: https://doi.org/10.1097/SCS.0000000000005650 DOI: https://doi.org/10.1097/SCS.0000000000005650

Cui Z, Li C, Chen N, Wei G, Chen R, Zhou Y, et al. TSegnet: an efficient and accurate tooth segmentation network on 3D dental model. Med Image Anal. 2021; 69:101949. DOI: https://doi.org/10.1016/j.media.2020.101949 DOI: https://doi.org/10.1016/j.media.2020.101949

Cui Z, Fang Y, Mei L, Zhang B, Yu B, Liu J, et al. A fully automatic AI system for tooth and alveolar bone segmentation from cone-beam CT images. Nat Commun. 2022; 13(1):1-11. DOI: https://doi.org/10.1038/s41467-022-29637-2 DOI: https://doi.org/10.1038/s41467-022-29637-2

Cui Z, Zhang B, Lian C, Li C, Yang L, Wang W, et al. Hierarchical morphologyguided tooth instance segmentation from CBCT images. International conference on information processing in medical imaging. Springer. 2021. DOI: https://doi.org/10.1007/978-3-030-78191-0_12

Choi E, Lee S, Jeong E, Shin S, Park H, Youm S, et al. Artificial intelligence in positioning between mandibular third molar and inferior alveolar nerve on panoramic radiography. Sci Rep. 2022; 12(1):1-7. DOI: https://doi.org/10.1038/s41598-021-99269-x DOI: https://doi.org/10.1038/s41598-022-06483-2

Aubreville M, Knipfer C, Oetter N, Jaremenko C, Rodner E, Denzler J, et al. Automatic classification of cancerous tissue in laserendomicroscopy images of the oral cavity using deep learning. Sci Rep. 2017; 7(1):1-10. DOI: https://doi.org/10.1038/s41598-017-12320-8 DOI: https://doi.org/10.1038/s41598-017-12320-8

Xu B, Wang N, Chen T, Li M. Empirical evaluation of rectified activations in convolutional network. arXiv preprint arXiv:150500853. 2015.

Dhillon H, Chaudhari PK, Dhingra K, Kuo R-F, Sokhi RK, Alam MK, et al. Current applications of artificial intelligence in cleft care: a scoping review. Front Med. 2021; 8:1-14. DOI: https://doi.org/10.3389/fmed.2021.676490 DOI: https://doi.org/10.3389/fmed.2021.676490

Chang HY, Jung CK, Woo JI, Lee S, Cho J, Kim SW, et al. Artificial intelligence in pathology. J Pathol Transl Med. 2019; 53(1):1-12. DOI: https://doi.org/10.4132/jptm.2018.12.16 DOI: https://doi.org/10.4132/jptm.2018.12.16

Warin K, Limprasert W, Suebnukarn S, Jinaporntham S, Jantana P, Vicharueang S. AI-based analysis of oral lesions using novel deep convolutional neural networks for early detection of oral cancer. PLoS One. 2022; 17(8):e0273508. DOI: https://doi.org/10.1371/journal.pone.0273508 DOI: https://doi.org/10.1371/journal.pone.0273508

James BL, Sunny SP, Heidari AE, Ramanjinappa RD, Lam T, Tran AV, et al. Validation of a point-of-care optical coherence tomography device with machine learning algorithm for detection of oral potentially malignant and malignant lesions. Cancers. 2021; 13(14):3583. DOI: https://doi.org/10.3390/cancers13143583 DOI: https://doi.org/10.3390/cancers13143583

Heidari AE, Pham TT, Ifegwu I, Burwell R, Armstrong WB, Tjoson T, et al. The use of optical coherence tomography and convolutional neural networks to distinguish normal and abnormal oral mucosa. J Biophotonics. 2020; 13(3):e201900221. DOI: https://doi.org/10.1002/jbio.201900221 DOI: https://doi.org/10.1002/jbio.201900221

Chen Y, Lee JKY, Kwong G, Pow EHN Pow, Tsoi JKH. Morphology and fracture behavior of lithium disilicate dental crowns designed by human and knowledge-based AI. J Mech Behav Biomed Mater. 2022; 131:105256. DOI: https://doi.org/10.1016/j.jmbbm.2022.105256 DOI: https://doi.org/10.1016/j.jmbbm.2022.105256

Hwang J-J, Azernikov S, Efros AA, Yu SX. Learning beyond human expertise with generative models for dental restorations. 2018 March. DOI: https://doi.org/10.48550/arXiv.1804.00064

Tian S, Wang M, Dai N, Ma H, Li L, Fiorenza L, et al. DCPR-GAN: dental crown prosthesis restoration using two-stage generative adversarial networks. IEEE J Biomed Health Inform. 2021; 26(1):151-60. DOI: https://doi.org/10.1109/JBHI. 2021.3119394 DOI: https://doi.org/10.1109/JBHI.2021.3119394

Wei J, Peng M, Li Q, Wang Y. Evaluation of a novel computer color matching system based on the improved back-propagation neural network model. J Prosthodont. 2018; 27(8):775-83. DOI: https://doi.org/10.1111/jopr.12561 DOI: https://doi.org/10.1111/jopr.12561

Yamaguchi S, Lee C, Karaer O, Ban S, Mine A, Imazato S. Predicting the debonding of CAD/CAM composite resin crowns with AI. J Dent Res. 2019; 98(11):1234-8. DOI: https://doi.org/10.1177/0022034519867641 DOI: https://doi.org/10.1177/0022034519867641

Rokaya D, Kongkiatkamon S, Heboyan A, Dam VV, Amornvit P, Khurshid Z, et al. 3D-Printed Biomaterials in biomedical application. In: S Jana, S Jana, editors. Functional biomaterials: drug delivery and biomedical applications. Singapore:Springer Singapore. 2022. p. 319-39. DOI: https://doi.org/10.1007/978-981-16-7152-4_12

Sporring J, Hommelhoff Jensen K. Bayes Reconstruction of missing teeth. J Math Imaging Vis. 2008; 31(2):245-54. DOI: https://doi.org/10.1007/s10851-008-0081-6 DOI: https://doi.org/10.1007/s10851-008-0081-6

Zhang J, Xia JJ, Li J, Zhou X. Reconstruction-Based digital dental occlusion of the partially edentulous dentition. IEEE J Biomed Health Inform. 2017; 21(1):201-10. DOI: https://doi.org/10.1109/JBHI.2015.2500191 DOI: https://doi.org/10.1109/JBHI.2015.2500191

Chen Q, Lin S, Wu J, Lyu P, Zhou Y. Automatic drawing of customized removable partial denture diagrams based on textual design for the clinical decision support system. J Oral Sci. 2020; 62(2):236-8. DOI: https://doi.org/10.2334/josnusd.19-0138 DOI: https://doi.org/10.2334/josnusd.19-0138

Cheng C, Cheng X, Dai N, Jiang X, Sun Y, Li W. Prediction of facial deformation after complete denture prosthesis using BP neural network. Comput Biol Med. 2015; 66:103-12. DOI: https://doi.org/10.1016/j.compbiomed.2015.08.018 DOI: https://doi.org/10.1016/j.compbiomed.2015.08.018