خب بچه‌ها، اگه دلتون بخواد بدونید این روزها هوش مصنوعی و یادگیری ماشین دقیقاً چطوری دندونپزشک‌ها رو متحول کردن، این مقاله فوق‌العاده جذابه! بیاید با هم یه گشتی تو نتایج یک بررسی حسابی درباره استفاده از یادگیری ماشین (Machine Learning) تو دندونپزشکی بزنیم.
اول یه نکته: یادگیری ماشین یا ML یعنی مدلی که می‌تونه با دیدن داده‌ها خودش یاد بگیره و تصمیم بگیره. مثلاً بهش کلی عکس دندون نشون می‌دن، خودش یاد می‌گیره که رو عکس‌ها کدوم پوسیدگیه، کدوم سالمه، یا مثلاً تشخیص بده نیاز به عمل هست یا نه.
از سال ۲۰۱۸ تا انتهای ۲۰۲۳، کلی مقاله انگلیسی تو پاب‌مد درباره ML تو دندونپزشکی منتشر شده بود. نویسنده‌ها ۱۵۰۶ تا مقاله رو جدا کردن و بررسی کردن که چیا واقعاً ارزش خوندن دارن. آخر سر فقط ۲۸۰ تا مقاله واقعاً به درد همین موضوع می‌خوردن! یعنی کلی مقاله یا کامل نبود یا ربطی به ML تو دندونپزشکی نداشت یا کلاً بی‌خیالش شدن.
حالا جالبه بدونید بیشتر این کارها روی رادیولوژی فک و صورت (۲۷.۵٪) بوده یعنی همون عکس‌هایی که از دندون و فک می‌گیرن، بعدش جراحی فک و صورت (۱۵٪) و بعد هم دندونپزشکی عمومی (۱۴.۳٪). جالبه اکثراً دارن با عکس کار می‌کنن و می‌خوان تشخیص بدن یا پیش‌بینی کنن جریان از چه قراره.
حالا یه چیزی که اینجا خیلی مطرح بوده اینه که ۶۴ مورد از این مقالات (حدود ۲۳٪) اصلاً نتونستن مدل ساخته‌شده‌شون رو با یه روش معتبر مقایسه کنن. روش معتبر یعنی مثلاً یا با نظر یه متخصص واقعی (که بهش می‌گن clinical reference standard) یا با مدلی که قبلاً ساخته شده و جوابش مطئنه. این یه نقطه ضعف جدی به حساب میاد چون اگه ندونی مدل چطور عمل می‌کنه با بقیه، خب چرا بهش اعتماد کنی؟
اکثراً این مدل‌ها دنبال دسته‌بندی بودن. یعنی مثلاً تشخیص بدن دندون پوسیده هست یا نیست. ۵۹.۶٪ مدل‌ها دسته‌بندی بودن و خیلی کم، فقط ۱.۴٪ مدل‌ها سراغ کاری رفته بودن که بهش می‌گن «تولیدی» (Generative). یعنی مثلاً خودشون تصویر درست کنن یا یه سناریو جدید بسازن. این به شدت نشون می‌ده بیشتر هنوز تو فاز حل مسائل مشخص هستیم تا چیزهایی مثل ساخت نمونه‌ها یا داده جدید.
اما بریم سر مشکلات جدی که تو این مطالعات بهشون برخوردن:
- خیلی از مقالات اصلاً مدل خودشون رو از نظر سوگیری و طرفداری بررسی نکرده بودن. سوگیری یا Bias یعنی مثلاً مدل به خاطر نوع داده‌هایی که بهش دادیم به بعضی گروه‌ها توجه بیشتری کنه، یا بعضی‌ها رو اصلاً نبینه.
- گزارش‌دهی درباره «آوتلایر»ها خیلی بد بوده. آوتلایر (Outlier) یعنی اطلاعاتی که با بقیه فرق دارن و ممکنه مدل رو گمراه کنن.
- کالیبراسیون مدل خیلی ضعیف گزارش شده. کالیبراسیون یعنی ببینیم مدل واقعاً می‌تونه احتمال رو درست تخمین بزنه یا نه، یعنی فقط بگه مریض هست یا نیست کافی نیست!
- قابل تکرار بودن نتایج (Reproducibility) پایین بوده، یعنی بقیه نمی‌تونن راحت همون مدل رو بسازن با داده یا کدهایی که مقاله گفته.
- داده‌ها هم خیلی مواقع در دسترس نبوده، که باعث می‌شه مطالعه رو نشه بازتولید یا بررسی کرد.
در کل، فهمیدن که یادگیری ماشین می‌تونه دندونپزشکی رو متحول کنه، ولی اگر بخوایم تو زندگی واقعی از این مدل‌ها استفاده کنیم باید مراقب باشیم که:
- مدل درست و دقیق ارزیابی شده باشه؛
- بررسی عدالت و انصاف رو جدی گرفته باشن (یعنی Fairness، که مطمئن شن مدل به نژاد، جنسیت یا سن خاصی الکی بیشتر توجه نکنه یا ضرر نزنه)؛
- خطاها راحت توضیح داده شوند؛
- اگر جایی مدل عملکردش عجیب بود (دوباره آوتلایرها)، حرفه‌ای گزارش بشه؛
- بشه بررسی کرد که اگه یکی دیگه هم بخواد انجام بده نتایج همون بشه؛
- مطالعات آینده دنبال تایید مدل‌ها تو آینده و دنیای واقعی باشن (یعنی Prospective Validation).
در کل اگه به هوش مصنوعی در دندونپزشکی علاقه‌مندین، حواستون باشه فقط ساختن مدل مهم نیست، مهمه که مدل رو کامل و دقیق تست کنین، انصاف رو رعایت کنین، داده‌ها رو شفاف نگه دارین و بذارین بقیه هم بتونن کار شما رو ادامه بدن. اینجوری شاید یه روز واقعاً بشه بخش بزرگی از تشخیص و درمان دندون‌ها رو به هوش مصنوعی سپرد!
منبع: +
