TISHLARNING RAQAMLI RENTGEN DIAGNOSTIKASIDA SUN’IY INTELLEKT SAMARADORLIGINI TAHLIL QILISH
Abstract
Stomatologiyada diagnostika aniqligi davolash muvaffaqiyatining asosiy omili hisoblanadi. An’anaviy rentgen tasvirlarni vizual tekshirish usullari subyektiv xatolarga, charchoqqa va tajriba farqlariga bog‘liq bo‘lib, ba’zan patologik o‘zgarishlarni, ayniqsa erta bosqichlarda, aniqlashda qiyinchiliklar tug‘diradi. So‘nggi yillarda sun’iy intellekt (SI), xususan, chuqur o‘rganish (Deep Learning) algoritmlarining tibbiy tasvirlarni tahlil qilishdagi roli keskin ortib bormoqda. Ushbu maqola tishlarning raqamli rentgenogrammalarini (panoramik, periapikal va okklyuzion) tahlil qilishda sun’iy intellekt tizimlarining samaradorligini kompleks ravishda o‘rganishga bag‘ishlangan. Tadqiqotning maqsadi SI algoritmlarining karies, periodontal kasalliklar, periapikal lezyonlar va anatomik anomaliyalarni aniqlashdagi sezgirligi (sensitivity), o‘ziga xosligi (specificity) va aniqligini (accuracy) an’anaviy stomatologik diagnostika bilan solishtirishdir. Adabiyotlar tahlili va meta-tahlillar shuni ko‘rsatadiki, konvolyutsion neyron tarmoqlar (CNN) ga asoslangan SI modellar stomatologlarga qaraganda yuqori tezlikda va ba’zi hollarda yuqori aniqlikda diagnostika qila oladi. Biroq, ma’lumotlar bazasining sifatı, algoritmning "qora quti" muammosi va klinik integratsiyadagi texnik cheklovlar hali ham dolzarb muammolar bo‘lib qolmoqda. Maqolada SI ning diagnostik jarayonga integratsiyasi, uning afzalliklari, kamchiliklari va kelajakdagi rivojlanish yo‘nalishlari muhokama qilinadi.
References
[1] White SC, Pharoah MJ. Oral Radiology: Principles and Interpretation. 8th ed. St. Louis: Elsevier; 2019. p. 1-15.
[2] Schwendicke F, Paris S. Artificial Intelligence in Dentistry: Chances and Challenges. J Dent Res. 2020;99(7):769-774. doi:10.1177/0022034520915713.
[3] LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436-444. doi:10.1038/nature14539.
[4] Esteva A, Topol EJ. Deconstructing the black box of deep learning in medicine. Nat Med. 2019;25(1):18-20. doi:10.1038/s41591-018-0260-5.
[5] Lee JH, Kim DH, Jeong SN, Choi SH. Diagnosis and prediction of periodontally compromised teeth using a deep learning-based convolutional neural network algorithm. J Periodontal Implant Sci. 2018;48(2):114-123. doi:10.5051/jpis.2018.48.2.114.
[6] Krois J, Ekert T, Meinhold L, et al. Deep learning for the radiographic detection of apical lesions: a systematic review and meta-analysis. J Endod. 2021;47(6):917-926. doi:10.1016/j.joen.2021.03.012.
[7] Ekert T, Krois J, Meinhold L, Elhennawy K, Schwendicke F. Detecting caries lesions of different depths on bitewing radiographs using deep learning: a diagnostic accuracy study. J Endod. 2020;46(12):1753-1758. doi:10.1016/j.joen.2020.08.010.
[8] Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-1.
