کاربرد هوش مصنوعی در تشخیص پوسیدگی دندان: مرور پیشرفت‌ها و چالش‌ها

سابقه و هدف: پوسیدگی دندان شایع‌ترین بیماری مزمن جهانی است که نیازمند تشخیص زودهنگام برای پیشگیری از درمان‌های تهاجمی است. روش‌های سنتی تشخیص محدودیت‌هایی دارند، به‌ویژه در تشخیص ضایعات اولیه. هدف این مطالعه بررسی پیشرفت‌ها و چالش‌های کاربرد هوش مصنوعی در تشخیص پوسیدگی دندان است. مواد و روش ها: مرور روایی مقالات منتشر شده بین سال‌های 2015-2025 در پایگاه‌های داده معتبر علمی شامل pubmed، scopus، science direct، ieee xplore، web of science و google scholar انجام شد. کیفیت مطالعات با ابزار quadas-2 ارزیابی و داده‌ها بر اساس روش‌های هوش مصنوعی، نوع تصویربرداری و معیارهای عملکرد تحلیل شدند.یافته‌ها: شبکه‌های عصبی کانولوشن (cnn) و مشتقات آن مانند u-net، mask r-cnn و densenet، پرکاربردترین الگوریتم‌ها در تشخیص پوسیدگی هستند. دقت تشخیصی این سیستم‌ها در بسیاری موارد برابر یا بهتر از متخصصان دندانپزشکی بوده، به‌ویژه در تشخیص ضایعات اولیه. عملکرد هوش مصنوعی در انواع مختلف تصویربرداری دندانی از 71 درصد تا 99/2درصد متغیر بود.نتیجه‌گیری: هوش مصنوعی پتانسیل قابل توجهی برای تحول در تشخیص پوسیدگی دندان دارد، به‌ویژه در شناسایی ضایعات اولیه که برای مداخلات پیشگیرانه غیرتهاجمی حیاتی است. بهترین رویکرد، هوش مصنوعی کمکی است که به عنوان مکمل قضاوت بالینی انسان عمل می‌کند و نه جایگزین آن. چالش‌های اصلی شامل محدودیت‌های مجموعه داده، عدم استانداردسازی روش‌ها و گزارش‌دهی، مشکلات ادغام در گردش کار بالینی، نیاز به شفافیت و قابلیت توضیح، و مسائل اخلاقی-قانونی است. جهت‌گیری‌های آینده شامل توسعه مجموعه داده‌های بزرگتر و متنوع‌تر، رویکردهای چندمدلی، بهبود روش‌های توضیح مدل‌ها، انجام مطالعات بالینی طولی و توسعه استانداردهای مناسب است

application of artificial intelligence in dental caries detection: advances and challenges

background and aim: dental caries is the most prevalent chronic disease worldwide, requiring early diagnosis to prevent invasive treatments. traditional detection methods have limitations, particularly in detecting early lesions. the aim of this study is to review the advances and challenges of artificial intelligence applications in dental caries detection.material and method: a narrative review of articles published between 2015-2025 was conducted using established scientific databases including pubmed, scopus, science direct, ieee xplore, web of science, and google scholar. study quality was assessed using the quadas-2 tool, and data were analyzed based on artificial intelligence methods, imaging modalities, and performance metrics.results: convolutional neural networks (cnns) and their derivatives such as u-net, mask r-cnn, and densenet are the most widely used algorithms in caries detection. the diagnostic accuracy of these systems was comparable to or better than dental specialists in many cases, particularly for early lesion detection. artificial intelligence performance across different dental imaging modalities ranged from 71% to 99.2%.conclusion: artificial intelligence demonstrates significant potential for revolutionizing dental caries detection, particularly in identifying early lesions that are crucial for non-invasive preventive interventions. the optimal approach is assistive artificial intelligence that serves as a complement to human clinical judgment rather than a replacement. main challenges include dataset limitations, lack of standardization in methods and reporting, clinical workflow integration problems, need for transparency and explainability, and ethical-legal concerns. future directions include developing larger and more diverse datasets, multimodal approaches, improving model explanation methods, conducting longitudinal clinical studies, and developing appropriate standards.