طراحی یک نرم افزار مبتنی بر هوش مصنوعی به عنوان ابزار کمکی جهت تشخیص پوسیدگی دندان

زمینه تشخیص پوسیدگی دندان از مسائل چالش برانگیز بهداشت دهان و دندان می باشد. امروزه از برنامه های کاربردی مختلف مبتنی بر هوش مصنوعی جهت تشخیص پوسیدگی دندان با صحت تشخیص بالا استفاده شده است. در این مطالعه ضمن بررسی انواع الگوریتم ها و روش های یادگیری ماشین بر روی مجموعه داده مشخص جهت تشخیص پوسیدگی دندان به دنبال یافتن بهترین روش با صحت تشخیص بالا بودیم. مواد و روش ها در مطالعه حاضر از شبکه های عصبی مصنوعی کانولوشن عمیق در دانشکده دندانپزشکی شهید بهشتی در بازه زمانی آپریل ۲۰۲۳ تا مارچ ۲۰۲۴ حدود ۱۴۰۰ مجموعه تصاویر بایت وینگ از سامانه Pacs دانشکده جهت یادگیری ماشین استفاده شد. تمام تصاویر با تغییر اندازه به ۱۰۰ تبدیل شد به صورت تصادفی ۱۱۲۰ تصویر جهت یادگیری ماشین و ۲۸۰ تصویر برای تست شبکه های انتخابی در نظر گرفته شد. در این مطالعه توسط دو روش یادگیری نظارتی برچسب گذاری توسط متخصصین با طبقه بندی تصاویر بایت وینگ در دو کلاس (پوسیدگی ندارد، پوسیدگی دارد) و همچنین یادگیری خودنظارتی توسط شبکه های شناخته شده VGG۱۹، ResNet۵۰، GoogleNet و EfficientNet اقدام گردید. یافته ها پس از اجرای تمام الگوریتم های سامانه تشخیص پوسیدگی بهترین شبکه از لحاظ پارامترهای صحت، حساسیت و ویژگی در این مطالعه مشخص شد و شبکه EfficientNet بهترین نتایج را با صحت به میزان ۹۴.۷ در تشخیص پوسیدگی نشان می دهد. پیشرفت های شبکه EfficientNet و نسخه های جدید آن می تواند به بهبود عملکرد سامانه تشخیص پوسیدگی کمک نماید. نتیجه گیری در این مطالعه با آزمایش و بررسی دقیق داده های آموزشی، داده های تست و همچنین مدل ها از حملات خصمانه و مسمومیت مدل جلوگیری گردید. بروزرسانی مداوم سامانه با تعداد تصاویر بیشتر و همچنین بکارگیری و بررسی سامانه در دیگر دانشکده های دندانپزشکی می تواند تعمیم پذیری یافته های این مطالعه را فراهم کند.

Keywords:

پوسیدگی دندان , شبکه عصبی مصنوعی , طبقه بندی , یادگیری عمیق , یادگیری ماشین