ปัญญาประดิษฐ์กับการดูแลสุขภาพช่องปาก
Article Sidebar
Main Article Content
บทคัดย่อ
ปัญญาประดิษฐ์ได้รับการพัฒนาและนำมาประยุกต์ใช้ในด้านการแพทย์และทันตกรรมเพิ่มขึ้นอย่างต่อเนื่อง โดยเฉพาะในการวิเคราะห์ภาพรังสี การวินิจฉัยโรค การวางแผนการรักษา และระบบสนับสนุนการตัดสินใจทางคลินิก เทคโนโลยีดังกล่าวมีศักยภาพในการเพิ่มความแม่นยำในการตรวจวินิจฉัยโรคช่องปาก เช่น ฟันผุโรคปริทันต์ และรอยโรคบริเวณปลายรากฟัน อีกทั้งยังช่วยเพิ่มประสิทธิภาพในการให้บริการทางทันตกรรมและลดความแปรปรวนในการแปลผลภาพรังสีระหว่างผู้ตรวจ
การศึกษานี้มีวัตถุประสงค์เพื่อทบทวนองค์ความรู้เกี่ยวกับการประยุกต์ใช้ปัญญาประดิษฐ์ในงานทันตกรรม รวมทั้งวิเคราะห์ศักยภาพ ข้อจำกัด และความท้าทายของการนำเทคโนโลยีดังกล่าวมาใช้ในการดูแลสุขภาพช่องปาก โดยใช้วิธีการทบทวนวรรณกรรมแบบบรรยาย (Narrative Literature Review) จากฐานข้อมูล PubMed, Scopus และ Google Scholar บทความที่นำมาวิเคราะห์จำกัดเฉพาะงานวิจัยที่ตีพิมพ์ในช่วงปี พ.ศ. 2562–2568 ขณะที่งานวิจัยสำคัญก่อนปี พ.ศ. 2562 ถูกนำมาใช้อธิบายเป็นข้อมูลพื้นฐานในบทนำ
ผลการทบทวนพบว่า เทคนิคการเรียนรู้เชิงลึก โดยเฉพาะโครงข่ายประสาทเทียมแบบ Convolutional Neural Network (CNN) ถูกนำมาใช้มากที่สุดในการวิเคราะห์ภาพรังสีทางทันตกรรม และสามารถช่วยตรวจจับความผิดปกติทางทันตกรรมได้อย่างมีประสิทธิภาพ อย่างไรก็ตาม การประยุกต์ใช้ AI ยังมีข้อจำกัด เช่น ความหลากหลายของชุดข้อมูล ความโปร่งใสของอัลกอริทึม และประเด็นด้านความเป็นส่วนตัวของข้อมูลผู้ป่วย ดังนั้น การพัฒนาในอนาคตควรให้ความสำคัญกับการพัฒนาฐานข้อมูลที่มีคุณภาพ การทดสอบระบบในสภาพแวดล้อมทางคลินิกจริง และการกำหนดแนวทางกำกับดูแลที่เหมาะสม อย่างไรก็ตามการประยุกต์ใช้ AI ในทางคลินิกจำเป็นต้องคำนึงถึงข้อจำกัดด้านจริยธรรมและกฎหมาย โดยเฉพาะการคุ้มครองข้อมูลส่วนบุคคลของผู้ป่วย และความรับผิดทางวิชาชีพ
Article Details
เอกสารอ้างอิง
Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.
G. Litjens et al., “A survey on deep learning in medical image analysis,” Medical Image Analysis, vol. 42, pp. 60–88, 2017, doi: 10.1016/j.media.2017.07.005.
A. Esteva et al., “Dermatologist-level classification of skin cancer with deep neural networks,” Nature, vol. 542, no. 7639, pp. 115–118, 2017, doi: 10.1038/nature21056.
D. Albano et al., “Artificial intelligence for radiographic imaging detection of caries lesions: A systematic review,” BMC Oral Health, vol. 24, no. 1, Art. no. 274, 2024, doi: 10.1186/s12903-024-04046-7.
J.-H. Lee, D.-H. Kim, S.-N. Jeong, and S.-H. Choi, “Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm,” Journal of Dentistry, vol. 77, pp. 106–111, 2018, doi: 10.1016/j.jdent.2018.07.015.
J. Krois et al., “Deep learning for the radiographic detection of periodontal bone loss,” Scientific Reports, vol. 9, Art. no. 8495, 2019, doi: 10.1038/s41598-019-44839-3.
A. G. Cantu et al., “Detecting caries lesions of different radiographic extension on bitewings using deep learning,” Journal of Dentistry, vol. 100, Art. no. 103425, 2020, doi: 10.1016/j.jdent.2020.103425.
A. Aminoshariae, J. Kulild, and V. Nagendrababu, “Artificial intelligence in endodontics: Current applications and future directions,” Journal of Endodontics, vol. 47, no. 9, pp. 1352–1357, 2021, doi: 10.1016/j.joen.2021.06.003.
T. Ekert et al., “Deep learning for the radiographic detection of apical lesions,” Journal of Endodontics, vol. 45, no. 7, pp. 917–922, 2019, doi: 10.1016/j.joen.2019.03.016.
K. Orhan, I. S. Bayrakdar, M. Ezhov, A. Kravtsov, and T. Özyürek, “Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans,” International Endodontic Journal, vol. 53, no. 5, pp. 680–689, 2020, doi: 10.1111/iej.13265.
S. Mertens, J. Krois, A. Garcia Cantu, L. T. Arsiwala, and F. Schwendicke, “Artificial intelligence for caries detection: Randomized trial,” Journal of Dentistry, vol. 115, Art. no. 103849, 2021, doi: 10.1016/j.jdent.2021.103849.
H. Mohammad-Rahimi et al., “Deep learning for caries detection: A systematic review,” Journal of Dentistry, vol. 122, Art. no. 104115, 2022, doi: 10.1016/j.jdent.2022.104115.
G. Litjens et al., “A survey on deep learning in medical image analysis,” Medical Image Analysis, vol. 42, pp. 60–88, 2017, doi: 10.1016/j.media.2017.07.005.
E. J. Topol, “High-performance medicine: The convergence of human and artificial intelligence,” Nature Medicine, vol. 25, no. 1, pp. 44–56, 2019, doi: 10.1038/s41591-018-0300-7.
S. B. Khanagar et al., “Developments, application, and performance of artificial intelligence in dentistry: A systematic review,” Journal of Dental Sciences, vol. 16, no. 1, pp. 508–522, 2021, doi: 10.1016/j.jds.2020.06.019.
W. J. Park, J. B. Choi, and J. H. Kim, “Detection and diagnosis of dental caries using deep learning algorithm,” Journal of Dental Sciences, vol. 13, no. 4, pp. 382–388, 2018, doi: 10.1016/j.jds.2018.08.003.
N. Turosz, K. Chęcińska, M. Chęciński, A. Brzozowska, Z. Nowak, and M. Sikora, “Applications of artificial intelligence in the analysis of dental panoramic radiographs: An overview of systematic reviews,” Dentomaxillofacial Radiology, vol. 52, no. 7, Art. no. 20230284, 2023, doi: 10.1259/dmfr.20230284.
V. Szabó et al., “Validation of artificial intelligence application for dental caries diagnosis on intraoral bitewing and periapical radiographs,” Journal of Dentistry, vol. 147, Art. no. 105105, 2024, doi: 10.1016/j.jdent.2024.105105.
E. Sivari, E. Senirkentli, G. B. Bostanci, M. S. Guzel, K. Acici, and T. Asuroglu, “Deep learning in diagnosis of dental anomalies and diseases: A systematic review,” Diagnostics, vol. 13, no. 15, Art. no. 2512, 2023, doi: 10.3390/diagnostics13152512.
P. Rajpurkar, E. Chen, O. Banerjee, and E. J. Topol, “AI in health and medicine,” Nature Medicine, vol. 28, no. 1, pp. 31–38, 2022, doi: 10.1038/s41591-021-01614-0.
M. Moor et al., “Foundation models for generalist medical artificial intelligence,” Nature, vol. 616, no. 7956, pp. 259–265, 2023, doi: 10.1038/s41586-023-05881-4.
Office of the Council of State, “Personal Data Protection Act B.E. 2562 (2019),” Government Gazette, vol. 136, no. 69 A, pp. 1–21, 2019. (in Thai)
