Eksperimentalna istraživanja pokazuju da bi novi modeli veštačke inteligencije mogli povećati tačnost detekcije dentalnih oboljenja

Dental Tribune International

uto. 31 mart 2026

Podeli

Sačuvaj

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

Istraživanje, koju su proveli istraživači u Indiji, imalo je za cilj da utvrdi da li softver može pouzdano da sortira 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 sa najboljim performansama postigao nešto veće dijagnostičke performanse, dostigavši ​​oko 96% tačnosti. Drugi model je pružio uporedivu tačnost, ali je radio efikasnije - što je prava stvar za rad u praksi. Ovde se tačnost odnosi na to koliko često je model dodelio ispravnu kategoriju celom 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 tako što obično ističu regije od interesa za specifične nalaze na radiografskim snimcima. Nasuprot tome, ova studija je procenila da li se testirani AI modeli mogu koristiti za automatsku kategorizaciju radiografskih snimaka u celini, 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 sa većim i raznovrsnijim skupovima podataka i usavršavanje modela kako bi se osigurala pouzdanost pre rutinske kliničke primene.

Studija pod nazivom “A self attention based deep learning framework for accurate and efficient dental disease detection in OPG radiographs” objavljena je 21. januara 2026. u onlajn izdanju časopisa Scientific Reports.