Miten tekoäly lukee hammasröntgenkuvia
Useimmat markkinoilla olevat hammaslääketieteen tekoälytuotteet tekevät yhden asian: ne tarkastelevat röntgenkuvaa (purusiivekuva, periapikaalikuva, panoraamakuva tai kolmiulotteinen CBCT-kuva) ja korostavat alueita, joita hammaslääkäri voi haluta katsoa tarkemmin. Näin se toimii pinnan alla, selkokielellä.
1. Ohjelmisto oppii merkityistä kuvista
Työkalut perustuvat syväoppimiseen, koneoppimisen muotoon, joka ”oppii” tilastollisia säännönmukaisuuksia suuresta määrästä asiantuntijoiden merkitsemiä esimerkkikuvia – esimerkiksi kuvia, joihin kariesvauriot on rajattu. Koulutuksen jälkeen malli pystyy tekemään ennusteita kuvista, joita se ei ole aiemmin nähnyt [1].
2. Se luokittelee, havaitsee tai rajaa
Tutkimusmallit tekevät yhden kolmesta: ne luokittelevat koko kuvan tai hampaan (esim. ”kariesta on”), havaitsevat löydöksen ja piirtävät sen ympärille laatikon tai segmentoivat sen rajaamalla tarkat kuvapisteet. Vuonna 2022 julkaistussa systemaattisessa katsauksessa, joka kattoi 42 syväoppimistutkimusta kariesten havaitsemisesta, kaikki kolme lähestymistapaa olivat käytössä [2].
3. Se toimii toisena lukijana – ei diagnoosina
Yhdysvaltain elintarvike- ja lääkeviraston FDA:n hyväksymiä tuotteita kuvataan yleensä tietokoneavusteisiksi havaitsemisohjelmistoiksi (”CADe”), jotka avustavat hammaslääkäriä. Niiden virallisissa käyttöaiheissa todetaan, etteivät ne korvaa hammaslääkärin kokonaisarviota ja kliinistä harkintaa. Voit lukea tämän muotoilun FDA:n yhteenvedoista, joihin työkaluhakemistomme linkittää – esimerkiksi Overjet Caries Assist -tuotteen yhteenvedosta [3].
Mitä tutkimusnäyttö kertoo
- Tutkimuksissa raportoitu tarkkuus on lupaava mutta vaihtelee paljon: edellä mainitussa katsauksessa kuva-, kohde- tai pikselitason tarkkuus vaihteli 68 %:n ja 99 %:n välillä, ja kariesten luokittelussa purusiivekuvista 87,6 %:n ja 95,4 %:n välillä [2].
- Tutkimusten laatu on epätasainen: vain 11 tutkimuksessa 42:sta harhan riski oli matala kaikilla osa-alueilla, ja suorituskyvyn raportointi oli kirjavaa, joten meta-analyysia ei voitu tehdä [2].
- Asiantuntijoiden mukaan tekoäly ei ole vielä laajasti tullut osaksi hammaslääkärin arkityötä. Syinä mainitaan rajallinen data, menetelmällisen täsmällisyyden ja standardien puute sekä avoimet kysymykset hyödyistä, etiikasta ja vastuusta [1].
Mitä tämä tarkoittaa potilaille ja hammaslääkäreille
Tekoäly voi olla hyödyllinen ”ylimääräinen silmäpari”, erityisesti yhdenmukaisuuden tukena kiireisellä vastaanotolla. Korostettu alue on kuitenkin kehotus katsoa uudelleen, ei diagnoosi. Kysy, miten työkalu on validoitu ja millaisilla röntgenkuvilla ja ikäryhmillä, ja pidä hammaslääkärin kliininen tutkimus päätöksenteon keskiössä.
Lähteet
- Schwendicke F, Samek W, Krois J. Artificial Intelligence in Dentistry: Chances and Challenges. J Dent Res. 2020;99(7):769-774. https://doi.org/10.1177/0022034520915714
- Mohammad-Rahimi H, et al. Deep learning for caries detection: A systematic review. J Dent. 2022;122:104115. https://doi.org/10.1016/j.jdent.2022.104115
- US FDA. 510(k) summary K222746 – Overjet Caries Assist. https://www.accessdata.fda.gov/cdrh_docs/pdf22/K222746.pdf