NHA KHOA TỔNG QUÁT VÀ PHỤC HÌNH

Trong các bài báo gần đây, ứng dụng tiềm năng của AI là xác định sang thương sâu răng mặt bên trên phim cắn cánh kỹ thuật số (KTS). Độ chính xác xác định sang thương sâu răng sử dụng thuật toán GoogleLeNet Inception-v3 là 82-89%.
Về phương diện thương mại, các công ty start-up đã và đang trình làng các sản phẩm với nhiều tính năng hứa hẹn như phát hiện sâu răng, điều chỉnh độ nét của hình ảnh, đề xuất các kế hoạch điều trị. Tuy nhiên, các kế hoạch điều trị còn khá đơn giản như trám răng, phục hình bao phủ một phần (inlay, onlay) hay toàn bộ (mão răng). Các phần mềm sử dụng thuật toán deep learning có trên thị trường như Second Opinion, Pearl; Denti.AI; VideaDetect, VidealHealth.
Các ứng dụng AI trong phân tích hình ảnh X-quang 3 chiều cũng được nghiên cứu. Ví dụ trên phim CT, có thể sử dụng AI để chú giải (annotation) các điểm mốc giải phẫu hoặc xác định giới hạn (segmentation) các cấu trúc răng và xương. Orca-Dental AI là một phần mềm có khả năng chú giải và xác định giới hạn tự động các cấu trúc giải phẫu như hàm trên, hàm dưới, răng, v.v... Các thuật toán này cũng có thể nhận diện dây thần kinh và bệnh lý trên phim.
Về phương diện phân tích phim, phần mềm phát triển bằng AI có thể giúp tạo ra các đường cong toàn cảnh trên phim CBCT để có góc nhìn rõ hơn, tách và truy xuất hình ảnh xương hàm ở định dang 3D STL và tạo ra các phim đầu nghiêng chỉ bằng một cái click chuột.
Ứng dụng hình ảnh 3D vượt ra khỏi giới hạn ở phim X-quang là hệ thống quét ảnh trong miệng. Ảnh quét trong miệng được phân tích bằng phần mềm khảo sát nha khoa như Smart Margin và Scan Clarity Score, Pearl. BS có thể sử dụng ảnh quét này để kiểm tra tức thì cùi răng đã sửa soạn. Còn lab có thể sử dụng ảnh quét để đánh giá độ khó của phục hình, chọn lựa kỹ thuật viên (KTV) có nhiều kinh nghiệm thực hiện. Ảnh quét cũng được các nhà quản lý phòng khám sử dụng để đánh giá kỹ năng của BS, nhu cầu cần đào tạo thêm. Tiếp theo, là sử dụng các ảnh quét để thiết kế các mão răng đơn lẻ bằng phần mềm tại lab.

SMILE DESIGN

Smile design (thiết kế nụ cười) hiện là một công cụ hữu ích để trao đổi trong nhóm làm việc và tạo động lực cho bệnh nhân (BN). Gần đây, có khoảng 15 phần mềm smile design hỗ trợ cho bác sĩ (BS). Tất cả các phần mềm này đều dựa trên dữ liệu đầu vào (input) và các tùy chỉnh của BS để thiết kế một nụ cười trong tương lai (hình thể răng và dạng sắp xếp cung răng). Một nền tảng tương tác mới dựa trên điện toán đám mây (Smilecloud, ADN3D Biotech) được giới thiệu kết hợp với thiết kế nụ cười kỹ thuật số, kế hoạch điều trị, công cụ trao đổi giữa BS, KTV và BN. Sau khi upload dữ liệu cần thiết của BN (thường là hình ảnh) lên hệ thống, bộ máy AI sẽ tìm kiếm và đề xuất các lựa chọn về hình dạng răng và kiểu sắp xếp cung răng tự nhiên cho ca lâm sàng đó. BS cũng có khả năng tùy chỉnh thiết kế theo kinh nghiệm và mong muốn đồng thời chuyển thành file định dạng STL (định dạng in 3D) để tạo mẫu hàm mock-up, hướng dẫn sửa soạn cùi răng hoặc hướng dẫn phẫu thuật.

CHỈNH HÌNH RĂNG MẶT

AI cũng có thể hỗ trợ đưa ra quyết định trong chỉnh hình răng mặt (CHRM). Điều trị chỉnh nha truyền thống dựa trên thăm khám toàn diện và phân tích các dữ kiện về BN. Gần đây, mô hình mạng lưới Bayesian (Bayesian network model) (một thuật toán AI) được dùng để phát triển hệ thống hỗ trợ đưa ra quyết định điều trị tùy theo các tình huống lâm sàng khác nhau.
Một tiếp cận khác là sử dụng mô hình mạng lưới neuron nhân tạo (artificial neural network - ANN) để chẩn đoán nhổ răng ở BN CHRM. Theo đó, tỉ lệ xác định các ca cần nhổ răng hay không có độ chính xác là 93%. Tuy nhiên, tỉ lệ dự đoán chính xác của mô hình này giảm đi khi đánh giá nhiều đặc điểm liên quan đến chỉ định nhổ răng.
Ngoài ra, cũng có thể sử dụng AI để phân tích kết quả điều trị. Trong một bài báo gần đây, hình ảnh gương mặt của BN CHRM trước và sau điều trị được khảo sát bằng mô hình mạng lưới neuron dạng cuộn tiền-huấn luyện (pre-trained convolutional neural network model - CNN). Kết quả cho thấy AI có thể phát hiện đâu là hình ảnh sau điều trị dựa trên sự gia tăng nét hấp dẫn trên gương mặt và sự giảm biểu hiện tuổi tác.
Thêm vào đó, machine learning gần đây được ứng dụng để mô phỏng điều trị chỉnh nha ảo, giúp BN hình dung được kết quả điều trị trong tương lai.
Một dịch vụ theo dõi quá trình chỉnh nha bằng AI cũng được giới thiệu là Dental Monitoring. Dịch vụ cho phép BN tự scan răng bằng điện thoại, gửi bản scan đến BS phân tích và theo dõi để quản lý tình trạng điều trị CHRM.

NHA CHU

Trong điều trị bệnh lý nha chu, các thuật toán machine learning được ứng dụng để khảo sát các bệnh lý viêm nha chu khác nhau. Các mô hình CNN được sử dụng về mặt thực hành để chẩn đoán và dự đoán các răng nguy cơ bệnh nha chu bằng phim X-quang. Khi sử dụng các thuật toán deep learning, độ chính xác của chẩn đoán lần lượt là 81% và 76,6% ở răng cối nhỏ và răng cối lớn. Độ chính xác khi dự đoán cần nhổ răng lần lượt là 82,8% và 73,4% ở răng cối nhỏ và cối lớn.
Các mô hình support vector machine được sử dụng để phân biệt giữa viêm nha chu tấn công và mạn tính dựa trên bảng thành phần (profile) vi sinh vật từ dữ liệu thăm khám mảng bám dưới nướu.

BỆNH LÝ MIỆNG-MẶT

Quản lý các bệnh lý miệng-mặt luôn luôn thử thách đối với BS do bản chất đa yếu tố, như ung thư hốc miệng hoặc hoại tử xương hàm do thuốc. Với các phương tiện truyền thống, rất khó để dự đoán các bệnh lý đó một cách chính xác. AI được đề xuất để xác định các cá nhân có nguy cơ cao ung thư hốc miệng bằng dữ liệu thu thập thông qua bảng câu hỏi.
Trong một báo cáo ca pilot, nhiều mô hình machine learning được sử dụng để tiên đoán nguy cơ hoại tử xương hàm do thuốc. Theo đó, sử dụng machine learning để dự đoán nguy cơ có độ chính xác cao hơn khi so sánh với các đánh giá truyền thống như thời gian ngưng thuốc (drug holiday) hoặc nồng độ CTX-I huyết thanh (serum C-terminal telopeptide of collagen type I level).
Mô hình cây quyết định (decision tree model) - một thuật toán machine learning - được dùng để khảo sát bệnh sâu răng ở trẻ nhỏ dựa trên tình trạng răng miệng hiện tại cũng như dữ liệu sức khỏe nha chu từ cha mẹ.
Trong một nghiên cứu gần đây, hệ thống AI cho thấy tiềm năng trong hỗ trợ BS phân biệt các rối loạn thái dương hàm (RLTDH) bằng việc xử lý ngôn ngữ tự nhiên của BN về các than phiền và bệnh sử RLTDH được ghi nhận trong các bản ghi âm nha khoa điện tử.

PHÁP NHA 

Trong lĩnh vực pháp nha, nhu cầu định tuổi bằng hình ảnh y khoa rất cao và thường cần sự hỗ trợ của các chuyên gia. Sự hỗ trợ của AI giúp gia tăng hiệu quả của công việc. Một nghiên cứu pilot báo cáo kết quả sử dụng AI để xác định giai đoạn phát triển của răng cối lớn thứ ba trên phim toàn cảnh với nhiều hứa hẹn.
Với mục đích tái tạo khuôn mặt, một số thuật toán machine learning được sử dụng để dự đoán hình thái khuôn mặt từ dữ liệu input là phim đầu nghiêng.
Trên đây là một số lĩnh vực nha khoa đã và đang được nghiên cứu và ứng dụng AI. Danh sách còn dài và nhiều hứa hẹn trong tương lai.
Hình 1. Hệ thống AI chăm sóc nha khoa toàn diện tương lai.[2]

Tài liệu tham khảo

F. Schwendicke, W. Samek, J. Krois. Artificial Intelligence in Dentistry: Chances and Challenges. Quintessence Int 51 (2020), No. 3, p.248-257, doi:10.3290/j.qi.a43952.Chen Yo-wei, Stanley Kyle, Att Wael. Artificial intelligence in dentistry: current applications and future perspectives. https://healthcareinamerica.us/the-future-of-artificial-intelligence-in-dentistry-114e04fc4e8fhttps://www.dentaleconomics.com/macro-op-ed/article/16386252/how-artificial-intelligence-is-shaping-dentistry#:~:text=In%20dentistry%2C%20AI%20is%20being%20used%20for%20different%20applications.&text=Because%20computers%20are%20able%20to,this%20way%20is%20Dentistry.ai.https://www.aegisdentalnetwork.com/idt/2019/07/artificial-intelligence-in-dentistry