الگوریتم YOLOv8 تشخیص پوسیدگی‌های بین‌دندانی را در بایت‌وینگ بهبود داد

تهران — ۷ فوریهٔ ۲۰۲۵: پژوهشگران دانشگاه علوم پزشکی تهران مدلی مبتنی بر یادگیری عمیق با الگوریتم YOLOv8 را برای تشخیص پوسیدگی‌های بین‌دندانی در رادیوگرافی‌های بایت‌وینگ توسعه داده‌اند که به گزارش منتشرشده در Scientific Reports دقت ۹۶٫۰۳ درصدی را برای ضایعات محدود به مینای دندان و ۸۰٫۰۶ درصدی را برای ضایعات درگیرکنندهٔ عاج نشان می‌دهد.

این مطالعه با هدف بهبود تشخیص خودکار پوسیدگی‌های بین‌دندانی — که در رادیوگرافی‌های بایت‌وینگ به‌دلیل هم‌پوشانی ساختارها و تنوع کنتراست به‌ویژه چالش‌برانگیز است — طراحی شد. تیم تحقیق با سفارشی‌سازی معماری YOLOv8، که برای شناسایی سریع و ناحیه‌بندی اشیاء در تصویر شناخته می‌شود، توانسته است نواحی مشکوک به پوسیدگی را به‌صورت موضعی مشخص کند و بین درگیری مینایی و عاجی تمایز بگذارد.

به گفتهٔ نویسندگان مقاله، کارآیی بالاتر مدل در تشخیص ضایعات مینایی نسبت به ضایعات عاجی می‌تواند بازتاب‌دهندهٔ تفاوت‌های بصری این دو طبقه در تصاویر بایت‌وینگ و نیز حساسیت الگوریتم‌های تشخیص لبه و بافت در مراحل ابتدایی ضایعه باشد. در مقابل، تغییرات ساختاری پیچیده‌تر و الگوهای کنتراست متفاوت در ضایعات عمقی احتمالاً چالش بیشتری برای مدل ایجاد کرده است.

نتایج گزارش‌شده با هدف کاهش وابستگی به مشاهدهٔ صرفاً انسانی و افزایش یکنواختی تشخیص ارائه شده‌اند. نویسندگان تأکید کرده‌اند که این مدل به‌عنوان یک ابزار پشتیبان می‌تواند به غربالگری سریع‌تر کمک کند و توجه دندانپزشک را به نواحی با احتمال بالاتر درگیری جلب کند؛ بااین‌حال، تفسیر نهایی همچنان به ارزیابی بالینی و قضاوت تخصصی متکی است.

مطابق مقالهٔ Scientific Reports، این کار در چارچوب پژوهش دانشگاهی انجام شده و به‌عنوان یک سامانهٔ آماده برای استفادهٔ بالینی عرضه نشده است. میزان کارایی در محیط‌های متفاوت تصویربرداری، روی دستگاه‌ها و جمعیت‌های گوناگون، و نیز تأثیر ادغام آن در گردش کار واقعی درمانگاه‌ها موضوعاتی هستند که در گام‌های بعدی نیازمند اعتبارسنجی برون‌مرزی و بررسی‌های prospective خواهند بود.