Medical Informatics III
Application of Deep Learning in Dentistry
Ayşem Yurtseven Günay, Sabire Değer İşler, Gülsüm AkDeep learning algorithms have become more and more remarkable in medicine and dentistry, especially with their diagnostic success. There are studies on both diagnosis and prognosis in many fields of dentistry. Our aim is to evaluate the results of studies on deep learning in dentistry and to shed light on the future. Studies on deep learning are mostly related to diagnosis and treatment planning based on radiological images. There are studies in areas such as the evaluation of dental plaque formation, the diagnosis of gingivitis and periodontitis through clinical images. Estimates similar to expert opinions were obtained on the diagnosis of dental caries and the need for restorative or endodontic treatment. There are studies on the planning and determination of restorations using clinical images. In oral surgery, there are studies reported in areas such as anatomical formations that should be considered in the surgery of third molars, evaluation of patients for orthognathic surgery, and dental implant application. In addition, studies have been carried out in many different fields of dentistry, such as the diagnosis of malocclusions and the evaluation of cephalometric points, the diagnosis of oral cancers and the prediction of survival of patients. Studies have some disadvantages when compared with other studies related to artificial intelligence. For example, datasets are not very large in the medical field. In addition, barriers to data protection cause this number to decrease further. Moreover, it can be said that they are partially biased because their records obtained from clinics, and therefore data that are not randomly obtained from the community. Another disadvantage arises from the complexity of the clinical decision-making process. Although there is no big difference in diagnosis; many factors are effective in treatment planning and anamnesis, clinical images, radiographic images should be together to evaluate all factors. Although there are some disadvantages at the current stage, studies on deep learning are increasing rapidly. When the studies are evaluated, we think that deep learning will take place effectively in dentistry practices in the near future.
Derin Öğrenmenin Diş Hekimliğinde Kullanımı
Ayşem Yurtseven Günay, Sabire Değer İşler, Gülsüm AkDerin öğrenme algoritmaları, özellikle tanısal başarıları ile tıp ve diş hekimliğinde her geçen gün daha dikkat çekici bir hale gelmiştir. Diş hekimliğinin pek çok alanında hem tanı koyma hem de prognoz belirleme üzerine yapılmış çalışmalar mevcuttur. Bizim amacımız diş hekimliğinde derin öğrenme ile ilgili yapılan çalışmaların sonuçlarını değerlendirmek ve geleceğe ışık tutmaktır. Derin öğrenme ile ilgili yapılan çalışmalar büyük çoğunlukla radyolojik görüntüler üzerinden tanı ve tedavi planlamasının yapılması ile ilgilidir. Klinik görseller üzerinden de dental plak oluşumunun değerlendirilmesi, gingivitis ve periodontitisin tanısı gibi alanlarda yapılan çalışmalar mevcuttur. Diş çürüğünün tanısının koyulması ve restoratif ya da endodontik tedavi ihtiyacı üzerine de uzman görüşlerine benzer tahminler elde edilmiştir. Protetik diş tedavisinde planlama ve restorasyonların tespit edilmesi ile ilgili yine klinik görseller kullanılarak yapılan çalışmalar mevcuttur. Oral cerrahide yirmi yaş dişlerinin cerrahisinde dikkat edilmesi gereken anatomik oluşumlar, ortognatik cerrahi için hastaların değerlendirilmesi, dental implant uygulaması gibi alanlarda bildirilen araştırmalar bulunmaktadır. Bu çalışmalara ek olarak maloklüzyonların tanısının koyulması ve sefalometrik noktaların değerlendirilmesi, oral kanserlerin tanısı ve hastaların sağ kalım tahminleri gibi farklı pek çok diş hekimliği alanında çalışmalar yapılmıştır. Yapılan çalışmaların yapay zeka ile ilişkili diğer çalışmalar ile karşılaştırıldığında bazı dezavantajları mevcuttur. Örneğin veri kümeleri sağlık alanında çok büyük değildir. Ayrıca verilerin korunması ile ilgili engeller, bu sayının daha da azalmasına sebep olmaktadır. Buna ek olarak kliniklerden alınan kayıtlar oldukları, dolayısıyla toplum içerisinden rastgele alınmayan datalar oldukları için kısmen taraflı oldukları söylenebilir. Bir başka dezavantaj da klinik olarak karar verme sürecinin karmaşık olmasından doğmaktadır. Tanı koymada büyük farklılık olmasa da; tedavi planlamasında pek çok faktör etkendir ve tüm faktörler üzerinden değerlendirme yapmak için anamnez, klinik görseller, radyografik görüntüler bir arada olmalıdır. Günümüzde gelinen aşamada bazı dezavantajları olsa da, derin öğrenme ile ilgili araştırmalar hızla çoğalmaktadır. Yapılan çalışmalar değerlendirildiğinde derin öğrenmenin diş hekimliği uygulamalarında yakın gelecekte etkin bir şekilde yer alacağı düşüncesindeyiz.