في عالم تتجلى فيه الابتكارات التكنولوجية، يأتي نموذج جديد يثري مجال طب الأسنان من خلال استخدام تقنيات الذكاء الاصطناعي. تُعَدُّ عملية الكشف المبكر عن تسوس الأسنان، وخاصة تلك الإصابات الجانبية في الأسنان الخلفية، من التحديات الكبرى التي تواجه الأطباء، حيث تعاني الطرق التقليدية من قيود في الدقة والموثوقية.

تقدم الدراسة الجديدة نموذج تعلم عميق ثنائي المراحل يجمع بين تقنية Faster R-CNN لتحديد مواضع الأسنان وتقنية U-Net لتجزئة التسوس على مستوى البكسل في الصور الشعاعية البانورامية. الفكرة الرئيسية وراء هذه التقنية هي تحويل مجموعات البيانات الكبيرة ذات التوضيحات المتعددة إلى أقنعة تجزئة ثنائية ذات دقة عالية، مما يمكّن من التعلم تحت إشراف قوي.

تم تدريب الإطار باستخدام بيانات موثوقة تم التحقق منها من قبل الخبراء، إضافةً إلى تسميات تمت معالجتها آليًا من 3,000 صورة شعاعية بانورامية. وأظهرت النتائج أداءً مذهلاً، حيث حقق النموذج قيمة IoU تصل إلى 0.9013، وDice coefficient بمعدل 0.9482، وتمتع بمعدل Recall يصل إلى 0.9433 وPrecision بمعدل 0.9774. يعكس ذلك دقة متفوقة مقارنةً بالطرق التقليدية، مع تحسن ملحوظ في تقليل معدلات الإيجابية الكاذبة.

يمثل هذا الإطار الثنائي خطوة هامة نحو معالجة القيود التي تواجه البيانات في تطبيقات الذكاء الاصطناعي في طب الأسنان، حيث يقدم نموذجًا قابلاً للتطوير للكشف الآلي عن التسوس، مما يُسهم في تحسين دقة التشخيص ودعم اتخاذ القرار السريري.