Diş Hekimliğinde Yapay Zeka Uygulamaları

1. Giriş

Yapay zekâ, insan benzeri bilişsel fonksiyonları taklit edebilen algoritmalar ve bilgisayar sistemlerini tanımlamak için kullanılan bir kavramdır. Sağlık alanında yapay zeka (YZ) uygulamaları; tanı doğruluğunu artırma, klinisyenler arası varyasyonu azaltma ve zaman verimliliğini iyileştirme potansiyeline sahiptir. Diş hekimliğinde ise dijital görüntüleme tekniklerinin yaygınlaşması, büyük veri setlerinin oluşmasını sağlamış ve YZ tabanlı sistemlerin gelişimi için uygun bir zemin hazırlamıştır. Diş hekimliğinde görüntüleme teşhis, tedavi planlaması ve takip protokollerinin vazgeçilmez bir parçasıdır. YZ’nin dijital görüntü analizlerine dahil edilmesi süreçlerin hassasiyetine ve hızına önemli ölçüde etki etmektedir.

Son yıllarda yapılan çalışmalar, YZ algoritmalarının bazı klinik senaryolarda deneyimli diş hekimleriyle karşılaştırılabilir doğruluk oranlarına ulaştığını göstermektedir (1, 2) . Bu durum, YZ’nin klinik karar verme süreçlerinde destekleyici bir araç olarak konumlandırılmasını gündeme getirmiştir. Bununla birlikte bir gözlemcinin denetiminde karar süreçlerinin devam ettirilmesi ve hata payının akılda tutulması istenmeyen sonuçların önlenmesinde zorunlu olmaya devam etmektedir (3) .

Diş hekimliğinde YZ‘nin periapikal lezyonların radyograflar üzerinden tespiti, periodontal hastalık risk tahminleri, ortodontide iskeletsel maloklüzyonların sınıflandırılması gibi pek çok önemli teşhis zorluklarında yüksek performans gösterdiği her geçen gün artan çalışmalarla ortaya konmaktadır (4, 5) . Konik ışınlı bilgisayarlı tomografide anatomik noktaların tespiti ve dişsiz ağızların fotografik analizleri gibi klinik kullanımda da yer bulan YZ’nin yaygınlaşmasında sınırlamalar da mevcuttur. Bunun sebebi olarak veri setlerinin belirli bir metodla eğitilememesi sonucu heterojen belirteçler kullanılması ve araştırmaların daha çok retrospektif ilerlemesi gösterilebilir. Ayrıca YZ kullanımında etik endişeler ve artan önyargılar klinik kullanım yaygınlığını sınırlandıran bir faktör olarak karşımıza çıkmaktadır.

2. Yapay Zekanın Diş Hekimliğinde Kullanım Alanları

2.1 Radyografik Görüntüleme ve Tanı

Diş hekimliğinin tanı süreçlerinde klinik bulgular ve radyografik yorumlama birbirinden bağımsız düşünülemeyen süreçlerdir. Klinik ve radyolojik bulgular analiz edilerek birbiriyle ilişkilendirilir ve tanıya varılır. YZ’nin diş hekimliğindeki en yaygın kullanım alanlarından biri radyografik görüntü analizidir. Konvolüsyonel sinir ağları (CNN), periapikal, panoramik ve konik ışınlı bilgisayarlı tomografi (CBCT) görüntülerinde çürük, periapikal lezyon, periodontal kemik kaybı ve kök fraktürlerinin tespitinde yüksek doğruluk oranları sunmaktadır (6) .

Özellikle erken dönem aproksimal çürüklerin saptanmasında YZ destekli sistemlerin, geleneksel değerlendirme yöntemlerine kıyasla daha yüksek hassasiyet ve özgüllük sağladığı bildirilmiştir (7) .

Bunlarla birlikte YZ destekli görüntü işleme sistemleri görüntülerdeki artefaktları azaltarak tanısal değeri yüksek radyograflar elde edilmesine katkı sunabilmektedir. CNN’ler sayesinde görüntüler sınıflandırılarak belirli anatomik yapılar tanımlanabilir, maligniteler ayırt edilebilir ve lokalize edilebilir (8) .

2.2 Periodontal Hastalık ve Risk Analizi

Periodontal hastalıkların değerlendirilmesi; klinik sondalama, ataşman seviyesi ölçümü ve radyografik kemik kaybının birlikte yorumlanmasını gerektirir. Derin öğrenme tabanlı YZ sistemleri, alveolar kemik seviyesini otomatik olarak analiz edebilmekte ve hastalık progresyonunu objektif olarak takip edebilmektedir. Literatürde, YZ algoritmaları ile elde edilen kemik kaybı ölçümlerinin klinik ölçümlerle yüksek korelasyon gösterdiği ve uzun dönem hasta takibinde önemli avantajlar sağladığı rapor edilmiştir (6) .

2.3 Ortodonti ve Tedavi Planlaması

Ortodontide YZ uygulamaları; sefalometrik landmark tespiti, maloklüzyon sınıflandırması ve şeffaf plak tedavilerinin planlanması alanlarında yoğunlaşmıştır. Otomatik analiz sistemleri, manuel sefalometrik ölçümlere kıyasla hem zaman tasarrufu sağlamakta hem de operatör bağımlı hataları azaltmaktadır.

YZ destekli ortodontik planlama yazılımları, diş hareketlerinin biyomekanik sınırlarını dikkate alarak daha öngörülebilir tedavi senaryoları oluşturulmasına olanak tanımaktadır.

2.4 Protetik Diş Hekimliği ve Dijital Üretim

Protetik diş hekimliğinde yapay zekâ; CAD/CAM sistemleri ve eklemeli üretim teknolojileriyle entegre edilerek kron, köprü ve implant üstü protez tasarımında kullanılmaktadır. YZ tabanlı yazılımlar, oklüzal morfolojiyi optimize ederek daha dengeli temaslar ve daha az klinik düzeltme gereksinimi sağlamaktadır (9) .

Bu sistemlerin, geleneksel dijital tasarım yaklaşımlarına kıyasla estetik ve fonksiyonel açıdan daha tutarlı sonuçlar sunduğu bildirilmektedir.

2.5 Endotontik Tanı ve Tedavi Takibi

Endodontik tanı ve tedavi süreçlerinde klinisyenleri zorlayan karmaşık kök kanal morfolojileri, ilave ve aksesuar kanallar, vertikal kök kırıkları, apikal foramenin yerini doğru belirleyebilmek ve bununla birlikte çalışma uzunluğunun tespiti gibi pek çok faktör mevcuttur. YZ’nin diş hekimliği alanında kullanılabilirliği gündeme geldikçe endodonti alanında yapılan çalışmalar da ivme kazanmıştır. Özellikle periapikal patolojilerin tanımlanmasında YZ kullanımı endodonti açısından oldukça ilgi çekicidir. Araştırmacılar periapikal, panoramik radyografiler ve CBCT üzerinde yaptıkları derin öğrenme tabanlı algoritmaları kullandıkları çalışmalarda periapikal lezyonların tespiti ve hacmini belirlemede klinisyenlere yakın bir oranda başarı elde ettiklerini bildirmişlerdir (10-12) . Periapikal lezyonların yorumlanmasında yapay zekanın kullanılması, klinisyenin teşhis yeteneklerini geliştirmeye yardımcı olacaktır ve periapikal radyolusensilerin deneyime bağlı farklı yorumlamalarını azaltabilecektir.

Klinik ve radyografik olarak tespiti zor olan vertikal kök kırıkları için yapılan bazı çalışmalar YZ ile yüksek duyarlılıkta ve özgüllükte tespitler yapılabileceğini ileri sürmektedir (13, 14) . Kök kanal morfolojilerinin ve ilave kanalların tespitinde YZ klinisyenlere yüksek doğruluk oranları ile hız kazandırabilir. Böylece tanı süreleri büyük ölçüde azalacak ve tedavi planı stratejik bir biçimde belirlenmiş olacaktır.

2.6 Pedodontide Yapay Zekanın Yeri

Çocukların ağız sağlığını değerlendirmede hekimlere destekleyici YZ modellerinin geliştirilmesi ve koruyucu uygulamaların hastalara özgü bir tedavi planlaması ile gerçekleştirilebilmesi pedodontide YZ’nin kullanıma girmesini hızlandırmaktadır. Bunların yanında panoramik radyografilerde süt ve genç sürekli dişlerin tespiti ve numaralandırılması, erken ortodontik tanı ve tedavi takibi yapılması, büyüme ve gelişme tahmini YZ‘nin pedodontide kullanıldığı diğer alanlar olarak karşımıza çıkmaktadır. Ağız içi fotoğraflar üzerinden dental plak tespiti yapmayı amaçlayan bir çalışma sonuçların bir pedodontist ile kabul edilebilir seviyede tutarlılık gösterdiğini ortaya koymaktadır (15) . Veri setlerinin sınırlı kalması ve YZ veri eğitiminde kullanılan parametrelerin aynı modeller üzerinden belirlenmemesi tek başına teşhis ve tedavi kararlarında sınırlı kalsa da erken çocukluk çağı çürüklerinin tespiti, sefalometrik analizlerle ortodontik tedavi ihtiyacının belirlenmesi gibi pek çok alanda hekimlere büyük ölçüde yarar sağlamaktadır. Bunun yanında özellikle çocuk hastaların tıbbi kayıtlarının tutulması, tedavi takiplerinin yapılması, uzaktan hasta izleme gibi pek çok avantajla hekimlerin zaman kaybını minimuma indirgemektedir.

2.7 Restoratif Diş Hekimliğinde Yapay Zeka Desteği

YZ restoratif diş alanında diş çürüklerinin saptanması, gülüş tasarımı ve restorasyonların renk seçiminde hekimlere sağladığı kolaylıklarla ön plana çıkmaktadır. Son yıllarda radyografilerin yanı sıra ağız içi fotoğraflar üzerinden çürük tespiti yapan çalışmalar da YZ’nin bu alandaki doğruluk oranlarını ortaya koymaktadır (16) .

2.8 Ağız, Diş ve Çene Cerrahisi Uygulamalarında Yapay Zeka

Çene cerrahisinde planlanan işlemlerin zorluğunu ameliyat öncesinde değerlendirebilmek, dental implantların prognozunu ve osteointegrasyon başarısını tahmin edebilmek, ameliyat öncesi tanı ve planlamada sefalometrik ölçümler aracılığı ile ilave olarak ameliyat sırasındaki ölçümlerle YZ ağız, diş ve çene cerrahisi alanında umut vadedici gelişmeler sunmaktadır (17-19) . YZ destekli çalışmalarla tümörlerin ve kistlerin çıkartılmasında daha hassas sonuçlar elde edildiği ortaya konulmuştur (20) . Bunların yanında YZ robotik cerrahi alanında da önemli katkılar sağlamıştır. Temporomandibuler eklem cerrahisi, biyopsi uygulamaları ve tümör rezeksiyonu gibi pek çok işlemde robotik cerrahiler başarılı sonuçlar göstermiştir. Radyografik görüntülerin iyileştirilmesi ile birlikte gelen teşhis kolaylığı tümör ve kistlerin tanımlanmasında oldukça fayda sağlamaktadır. YZ algoritmalarının yetkin klinisyenlerce tanımlanması ve veri setlerinin geliştirilmesi ile çene cerrahisi alanında kullanımı gittikçe yaygınlaşabilir (21) .

3. Yapay Zekanın IoT, Giyilebilir Teknolojiler, VR/AR ve Robotik Sistemlerle Entegrasyonu

Yapay zekânın Nesnelerin İnterneti (IoT), giyilebilir cihazlar, sanal ve artırılmış gerçeklik (VR/AR) ile robotik sistemlerle entegrasyonu, diş hekimliğinde kişiselleştirilmiş ve öngörülebilir sağlık hizmetlerinin gelişimini desteklemektedir. Giyilebilir sensörler ve IoT tabanlı cihazlar aracılığıyla elde edilen sürekli fizyolojik ve davranışsal veriler, YZ algoritmaları tarafından analiz edilerek hasta bazlı risk profilleri oluşturulabilmektedir. VR ve AR destekli YZ sistemleri klinik eğitim ve cerrahi simülasyonlarda öğrenme eğrisini kısaltırken, robotik uygulamalar yüksek hassasiyet gerektiren işlemlerde klinik standardizasyonu artırmaktadır (2, 22) .

4. Diş Hekimliği Eğitiminde Yapay Zeka

Diş hekimliği eğitiminde klinik pratiğine geçilmeden önce fantom modeller üzerinde yapılan uygulamalar önem taşımaktadır. Öğrencilerin sanal gerçeklik ve YZ destekli simülatörlerde kavite preparasyonu gibi el-göz koordinasyonu gerektiren uygulamaları hastaya zarar verme riski olmadan güvenli bir çerçevede defalarca tekrarlayabilmeleri klinik pratikleri için oldukça faydalıdır. Bu simülatörlerin önemli bir avantajı da diş sert dokularını ve direnç hissini gerçeğe çok yakın taklit edebilmeleridir (23) . Bu sistemlerin maliyeti ve gerçek klinik deneyimlerin farklılığı düşünüldüğünde hibrit bir eğitim modelinde YZ’nin katkı sunacağı söylenebilir.

5. Etik, Hukuki ve Klinik Sınırlamalar

YZ uygulamalarının yaygınlaşmasıyla birlikte veri güvenliği, algoritmik önyargılar ve klinik sorumluluğun paylaşımı gibi etik ve hukuki konular önem kazanmıştır. Mevcut görüş birliği, YZ’nin klinik karar verme sürecinde nihai karar verici değil, hekim destekli bir karar destek sistemi olarak kullanılması gerektiği yönündedir (1) .

6. Sonuç

Son yıllarda sağlık bilimlerinde YZ ile ilgili araştırmalar artan bir ivme ile hız kazansa da hala diş hekimliği alanındaki yeri ile ilgili bilgiler sınırlıdır. Yapay zekâ, şu anki mevcut durumunda diş hekimliğinde tanı, tedavi planlaması ve dijital üretim süreçlerini dönüştüren güçlü bir teknoloji olarak görünmektedir. Mevcut bilimsel kanıtlar, YZ’nin klinik doğruluğu artırdığını ve iş akışlarını optimize ettiğini göstermektedir. Ancak bu teknolojilerin güvenli ve etkin biçimde uygulanabilmesi için klinisyenlerin temel YZ prensiplerine hâkim olması ve etik sınırlar çerçevesinde kullanımı büyük önem taşımaktadır. Bununla birlikte artan çalışmalar ve yapay zeka algoritmalarının ve öğrenme modellerinin uzmanların da katkılarıyla geliştirilmesi klinik kullanımda YZ’nın yaygınlaşmasını sağlayabilir.

Kaynakça

1. Schwendicke Fa, Samek W, Krois J. Artificial intelligence in dentistry: chances and challenges. Journal of dental research. 2020;99(7):769-74.

2. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nature medicine. 2019;25(1):24-9.

3. Alam MK, Alftaikhah SAA, Issrani R, Ronsivalle V, Giudice AL, Cicciù M, et al. Applications of artificial intelligence in the utilisation of imaging modalities in dentistry: A systematic review and meta-analysis of in-vitro studies. Heliyon. 2024;10(3).

4. Collins GS, Reitsma JB, Altman DG, Moons KG. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. Journal of British Surgery. 2015;102(3):148-58.

5. Dipalma G, Inchingolo AD, Inchingolo AM, Piras F, Carpentiere V, Garofoli G, et al. Artificial intelligence and its clinical applications in orthodontics: a systematic review. Diagnostics. 2023;13(24):3677.

6. Krois J, Ekert T, Meinhold L, Golla T, Kharbot B, Wittemeier A, et al. Deep learning for the radiographic detection of periodontal bone loss. Scientific reports. 2019;9(1):8495.

7. Lee J-H, Kim D-H, Jeong S-N, Choi S-H. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. Journal of dentistry. 2018;77:106-11.

8. Heo M-S, Kim J-E, Hwang J-J, Han S-S, Kim J-S, Yi W-J, et al. Artificial intelligence in oral and maxillofacial radiology: what is currently possible? Dentomaxillofacial Radiology. 2021;50(3):20200375.

9. Sami T, Goldstein G, Vafiadis D, Absher T. An in vitro 3D evaluation of the accuracy of 4 intraoral optical scanners on a 6-implant model. The Journal of prosthetic dentistry. 2020;124(6):748-54.

10. Setzer FC, Shi KJ, Zhang Z, Yan H, Yoon H, Mupparapu M, et al. Artificial intelligence for the computer-aided detection of periapical lesions in cone-beam computed tomographic images. Journal of endodontics. 2020;46(7):987-93.

11. Ekert T, Krois J, Meinhold L, Elhennawy K, Emara R, Golla T, et al. Deep learning for the radiographic detection of apical lesions. Journal of endodontics. 2019;45(7):917-22. e5.

12. Okada K, Rysavy S, Flores A, Linguraru MG. Noninvasive differential diagnosis of dental periapical lesions in cone-beam CT scans. Medical physics. 2015;42(4):1653-65.

13. Fukuda M, Inamoto K, Shibata N, Ariji Y, Yanashita Y, Kutsuna S, et al. Evaluation of an artificial intelligence system for detecting vertical root fracture on panoramic radiography. Oral radiology. 2020;36(4):337-43.

14. Johari M, Esmaeili F, Andalib A, Garjani S, Saberkari H. Detection of vertical root fractures in intact and endodontically treated premolar teeth by designing a probabilistic neural network: an ex vivo study. Dentomaxillofacial Radiology. 2017;46(2):20160107.

15. You W, Hao A, Li S, Wang Y, Xia B. Deep learning-based dental plaque detection on primary teeth: a comparison with clinical assessments. BMC Oral Health. 2020;20(1):141.

16. Zhang J-W, Fan J, Zhao F-B, Ma Be, Shen X-Q, Geng Y-M. Diagnostic accuracy of artificial intelligence-assisted caries detection: a clinical evaluation. BMC Oral Health. 2024;24(1):1095.

17. Siddiqui TA, Sukhia RH, Ghandhi D. Artificial intelligence in dentistry, orthodontics and Orthognathic surgery: A literature review. 2022.

18. Yoo J-H, Yeom H-G, Shin W, Yun JP, Lee JH, Jeong SH, et al. Deep learning based prediction of extraction difficulty for mandibular third molars. Scientific reports. 2021;11(1):1954.

19. Yin C, Qian B, Wei J, Li X, Zhang X, Li Y, et al., editors. Automatic generation of medical imaging diagnostic report with hierarchical recurrent neural network. 2019 IEEE international conference on data mining (ICDM); 2019: IEEE.

20. Balaban C, Inam W, Kennedy R, Faiella R. The Future of Dentistry: How AI is Transforming Dental Practices. Compendium of Continuing Education in Dentistry (Jamesburg, NJ: 1995). 2021;42(1):14-7.

21. Miragall MF, Knoedler S, Kauke-Navarro M, Saadoun R, Grabenhorst A, Grill FD, et al. Face the future—artificial intelligence in oral and maxillofacial surgery. Journal of clinical medicine. 2023;12(21):6843.

22. Chen Y-w, Stanley K, Att W. Artificial intelligence in dentistry: current applications and future perspectives. Quintessence Int. 2020;51(3):248-57.

23. Farag A, Hashem D. Impact of the haptic virtual reality simulator on dental students’ psychomotor skills in preclinical operative dentistry. Clinics and Practice. 2021;12(1):17-26.