Ứng dụng trí tuệ nhân tạo trong lĩnh vực nha khoa: Tổng quan y văn

Tóm tắt

Mục tiêu: Nghiên cứu này nhằm mục đích tổng quan toàn diện các tài liệu liên quan đến việc ứng dụng trí tuệ nhân tạo (AI) trong lĩnh vực nha khoa, tập trung vào các tiêu chí đánh giá và các loại kiến trúc AI được sử dụng.

Lựa chọn nghiên cứu: Các cơ sở dữ liệu điện tử (PubMed, Cochrane Library, Scopus) đã được sử dụng để tìm kiếm. Những bài báo có toàn văn mô tả ứng dụng lâm sàng của AI trong phát hiện, chẩn đoán và điều trị các tổn thương, cũng như phương pháp/kiến trúc AI áp dụng, đều được đưa vào tổng quan.

Kết quả: Tìm kiếm sơ bộ thu được 422 nghiên cứu từ năm 1996 đến 2019, trong đó 58 nghiên cứu được chọn sau cùng. Về thời gian công bố, nghiên cứu lâu đời nhất được công bố năm 1996 và tập trung vào “phẫu thuật miệng và hàm mặt”. Các nghiên cứu được lựa chọn đều ứng dụng kiến trúc học máy, trong đó khoảng một nửa (29/58) sử dụng mạng nơ-ron nhân tạo. Về tiêu chí đánh giá, tám nghiên cứu so sánh kết quả của AI với chẩn đoán của bác sĩ nha khoa, trong khi một số nghiên cứu khác so sánh hiệu suất giữa hai hoặc nhiều kiến trúc AI. Các thông số được sử dụng để đánh giá hiệu suất AI bao gồm: độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), sai số tuyệt đối trung bình (mean absolute error), sai số bình phương trung bình căn (root mean squared error), và diện tích dưới đường cong ROC (area under the ROC curve).

Kết luận: Việc ứng dụng AI trong lĩnh vực nha khoa đã có những bước tiến đáng kể; tuy nhiên, các tiêu chí đánh giá hiệu quả của AI vẫn chưa được chuẩn hóa. Việc thu thập dữ liệu chất lượng cao hơn là cần thiết để học máy đạt được hiệu quả trong chẩn đoán tổn thương và lập kế hoạch điều trị phù hợp.

Từ khóa: Trí tuệ nhân tạo, Khai phá dữ liệu, Học máy, Mạng nơ-ron nhân tạo, Lĩnh vực nha khoa

1. Giới thiệu

Gần đây, những tiến bộ trong khoa học và công nghệ thông tin đã dẫn đến sự gia tăng đột biến về dữ liệu trong nhiều lĩnh vực. Do đó, tầm quan trọng của việc xử lý toàn diện lượng dữ liệu khổng lồ – thường được gọi là dữ liệu lớn (big data) – ngày càng được nhấn mạnh, kéo theo sự ứng dụng rộng rãi của trí tuệ nhân tạo (AI) [1–3]. AI là một thuật ngữ khái quát dùng để chỉ một loạt các công nghệ cơ bản cho phép các hệ thống số hoặc máy tính thực hiện các chức năng có đặc điểm giống trí tuệ con người. Khái niệm AI lần đầu tiên được McCarthy định nghĩa vào năm 1956 [4].

Trong nhiều lĩnh vực công nghiệp, nhiều nghiên cứu đã xem xét việc ứng dụng xã hội của phân tích dữ liệu lớn, điều khiển robot, nhận dạng giọng nói hoặc hình ảnh, và lái xe tự động sử dụng AI [5–7]. Các nghiên cứu cũng đã được tiến hành nhằm khảo sát việc ứng dụng AI trong lĩnh vực y học. Đặc biệt, các hệ chuyên gia như MYCIN – hệ thống gợi ý lựa chọn thuốc kháng khuẩn để chẩn đoán bệnh nhiễm trùng – và INTERNIST-1 – hệ thống hỗ trợ chẩn đoán y khoa tổng quát – đã được báo cáo từ năm 1974 [8,9]. Vài thập kỷ sau đó, Hinton và cộng sự (2006) đã phát triển học sâu (deep learning) và mạng nơ-ron tích chập (CNNs), và được giới thiệu tại cuộc thi ImageNet Large-Scale Visual Recognition Challenge năm 2012 [10].

Hiện nay, nhiều nghiên cứu liên quan đến ứng dụng CNNs để phân loại khối u não hoặc chẩn đoán ung thư từ hình ảnh da đang được tiến hành trên toàn cầu [11–13]. Trong lĩnh vực nha khoa, việc ứng dụng công nghệ số đã phát triển nhanh chóng. Ngoài ra, các hệ thống thiết kế và sản xuất hỗ trợ bằng máy tính (CAD/CAM) trong điều trị phục hình, cũng như phần mềm mô phỏng cấy ghép hoặc hệ thống phân tích trong điều trị chỉnh nha, đã được phát triển [14–16].

Mặc dù đã có một số nghiên cứu liên quan đến ứng dụng AI trong nha khoa, nhưng vẫn còn thiếu thông tin về các kiến trúc kỹ thuật và mức độ hiệu quả của các ứng dụng này. Mục tiêu của nghiên cứu này là tổng quan toàn diện các tài liệu liên quan đến ứng dụng AI trong lĩnh vực nha khoa, đặc biệt tập trung vào tiêu chí đánh giá và các loại kiến trúc được sử dụng trong từng phân ngành.

2. Vật liệu và Phương pháp

Trong nghiên cứu này, chúng tôi khảo sát mục đích ứng dụng AI trong lĩnh vực nha khoa và các vấn đề cụ thể mà nó nhằm giải quyết.

Tìm kiếm tài liệu với các từ khóa

“Trí tuệ nhân tạo”, “Mạng nơ-ron”, “Khai phá dữ liệu”, “Nha khoa”

 Tổng số bài báo được chọn lọc: 422

➡️ Loại trừ:

 Giới thiệu lý thuyết và kỹ thuật

 Số bài bị loại: 318

▼

Đánh giá dựa trên tiêu đề và tóm tắt

Số bài được chọn: 104

➡️ Loại trừ:

 Không nêu rõ phương pháp/kiến trúc và đánh giá AI

 Số bài bị loại: 46

▼

Đánh giá dựa trên toàn văn bài báo

Các chuyên ngành được phân loại như sau:

• • Nha khoa bảo tồn: 8 bài
  • Nha chu: 7 bài
  • Phục hình: 6 bài
  • Chỉnh nha: 8 bài
  • Phẫu thuật miệng và hàm mặt: 13 bài
  • Nha pháp y: 10 bài
  • Khác: 6 bài

✅ Tổng cộng: 58 bài báo được đưa vào phân tích hệ thống

2.1. Nguồn thông tin và chiến lược tìm kiếm

Một cuộc tìm kiếm điện tử các tài liệu bằng tiếng Anh được xuất bản từ tháng 1 năm 1980 đến tháng 6 năm 2019 đã được thực hiện trên các cơ sở dữ liệu MEDLINE (qua PubMed), Cochrane Library (qua Cochrane Central Register of Controlled Trials, CENTRAL) và Scopus. Chiến lược tìm kiếm sử dụng các từ khóa và thuật ngữ MeSH, dựa trên công thức tìm kiếm cho MEDLINE (qua PubMed): (“Artificial Intelligence” [Mesh] OR “Neural Networks, Computer” [Mesh] OR “Neural network” [all fields] OR “Data Mining” [Mesh] OR “Data mining” [all fields]) AND “Dentistry” [all fields]. Ngoài ra, cũng đã tiến hành tìm kiếm thủ công để bổ sung tài liệu.

2.2. Tiêu chí đưa vào nghiên cứu

Các bài báo được chọn dựa trên các tiêu chí sau: bài viết có ứng dụng lâm sàng của trí tuệ nhân tạo trong việc phát hiện, chẩn đoán và điều trị các tổn thương trong lĩnh vực nha khoa; bài viết nêu rõ đối tượng được đánh giá; bài mô tả phương pháp hoặc kiến trúc AI được sử dụng; và là bài báo gốc viết bằng tiếng Anh. Các bài chỉ mang tính giới thiệu lý thuyết, kiến trúc hoặc kỹ thuật mà không có ứng dụng lâm sàng sẽ bị loại trừ.

2.3. Lựa chọn nghiên cứu

Hình 1 thể hiện chiến lược tìm kiếm tài liệu được sử dụng trong nghiên cứu này. Quá trình lựa chọn tài liệu được thực hiện bởi hai tác giả (T.K. và T.M.), những người đã xác nhận độc lập các tiêu chí từ trước. Đầu tiên, các bài phù hợp với mục tiêu nghiên cứu được chọn lọc từ tiêu đề và tóm tắt. Sau khi xác nhận kết quả đánh giá của hai người giống nhau, toàn văn các bài báo được xem xét để sàng lọc lần hai. Những bài có sự khác biệt trong kết quả đánh giá giữa hai người sẽ được thảo luận với một người đánh giá thứ ba (T.G.) để đưa ra quyết định cuối cùng về việc đưa vào phân tích.

2.4. Quy trình thu thập dữ liệu và các mục dữ liệu

Một bảng trích xuất dữ liệu đã được tạo bằng phần mềm Microsoft Excel (Microsoft Office Professional 2016, CA, USA). Bảng này bao gồm các mục: tên tác giả, năm xuất bản, số tham khảo, đơn vị báo cáo, chuyên ngành, so sánh kết quả giữa con người và AI, kiến trúc học máy được sử dụng, các tiêu chí đánh giá, số lượng bộ dữ liệu, loại dữ liệu đầu vào và kết quả đánh giá. Sau khi tổng hợp kết quả theo từng phân ngành, một tổng quan y văn đã được thực hiện.

3. Kết quả

3.1. Lựa chọn nghiên cứu

Như thể hiện trong Hình 1, quá trình tìm kiếm sơ bộ thu được 422 bài báo từ tháng 1 năm 1996 đến tháng 6 năm 2019. Sau khi đánh giá tiêu đề và tóm tắt, 104 bài được chọn để đánh giá toàn văn. Cuối cùng, sau khi áp dụng các tiêu chí đưa vào, 58 bài báo được chọn và phân loại theo 7 lĩnh vực: “Nha khoa bảo tồn” (bao gồm nội nha), “Bệnh nha chu”, “Phục hình”, “Chỉnh nha”, “Phẫu thuật miệng và hàm mặt”, “Nha pháp y” và “Khác”. Nhóm “Khác” bao gồm các nghiên cứu liên quan đến rối loạn khớp thái dương hàm (TMD), hơi thở hôi, và gian lận trong nha khoa.

3.1. Số lượng nghiên cứu được công bố

Có 8 nghiên cứu tập trung vào nha khoa bảo tồn [17–24], 7 nghiên cứu về bệnh nha chu [25–31], 6 nghiên cứu thuộc phục hình [32–37], 8 nghiên cứu liên quan đến chỉnh nha [38–45], 13 nghiên cứu thuộc phẫu thuật miệng và hàm mặt [46–58], và 10 nghiên cứu trong lĩnh vực nha pháp y [59–68]. Ngoài ra, 6 nghiên cứu được xếp vào nhóm khác [69–74].

Về mặt thời gian công bố, nghiên cứu sớm nhất được ghi nhận vào năm 1996, tập trung vào phẫu thuật miệng và hàm mặt. Số lượng nghiên cứu theo từng giai đoạn gồm: 3 nghiên cứu trong thập niên 1990, 2 nghiên cứu đầu những năm 2000, 6 nghiên cứu cuối những năm 2000, và 7 nghiên cứu vào đầu những năm 2010. Mặc dù số lượng ban đầu tương đối ít (<10), nhưng đã tăng nhanh lên đến 40 nghiên cứu vào cuối thập niên 2010.

3.2. Kiến trúc và tiêu chí đánh giá

Các nghiên cứu được chọn sử dụng các kiến trúc học máy sau: mạng nơ-ron nhân tạo (ANNs), mạng nơ-ron tích chập (CNNs), máy vector hỗ trợ (SVM), phân tích sai biệt tuyến tính (LDA), cây quyết định (DT), rừng ngẫu nhiên (RF), xử lý ngôn ngữ tự nhiên (NLP), thuật toán k láng giềng gần nhất (k-NN), hệ chuyên gia (ExS), suy diễn dựa trên tình huống (CBR), logic mờ (FL), suy luận Bayes (BI), hồi quy logistic (LR), và phương pháp k-means.

• • ANNs: hệ thống tính toán mô phỏng mạng nơ-ron sinh học, truyền dữ liệu qua các lớp để tạo đầu ra.
  • CNNs: dạng chuyên biệt của ANNs trong học sâu (deep learning), có khả năng tự động trích xuất đặc trưng hình ảnh.
  • SVM và LDA: thuật toán thống kê giúp phân nhóm dữ liệu bằng mặt phân cách.
  • DT và RF: kỹ thuật phân loại dữ liệu theo cây quyết định và tổ hợp nhiều cây (rừng).
  • NLP: chuyển ngôn ngữ tự nhiên sang ngôn ngữ máy để trích xuất thông tin.
  • k-NN: xác định các điểm dữ liệu tương tự để suy đoán nhóm.
  • ExS, CBR, FL: sử dụng cơ sở dữ liệu các ca lâm sàng đã xử lý để đưa ra hướng điều trị.
  • BI: dự đoán kết quả với xác suất cao nhất từ đầu vào cụ thể.
  • LR: công cụ phân tích dữ liệu để ước lượng phương trình có biến phụ thuộc nhị phân.
  • k-means: phân cụm dữ liệu thành các nhóm rời rạc.

Trong số các nghiên cứu được chọn, ANNs được sử dụng nhiều nhất (16/58). Về đối tượng đánh giá, đa số các nghiên cứu (35/58) sử dụng hình ảnh kỹ thuật số để phát hiện và chẩn đoán tổn thương.

12 nghiên cứu so sánh kết quả giữa AI và bác sĩ nha khoa, trong khi một số nghiên cứu khác so sánh hiệu năng của hai hoặc nhiều kiến trúc AI.

Các tiêu chí đánh giá bao gồm: độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), độ chính xác tiên đoán (precision), sai số tuyệt đối trung bình (MAE), sai số căn trung bình bình phương (RMSE), và diện tích dưới đường cong ROC (AUC).

3.3. Đặc điểm của các nghiên cứu

3.3.1. Nha khoa bảo tồn (bao gồm nội nha)

Trong lĩnh vực nha khoa bảo tồn [17–24], hầu hết các nghiên cứu tập trung vào việc phát hiện tổn thương trên hình ảnh X-quang, bao gồm: sâu răng (4 nghiên cứu), gãy chân răng dọc (2 nghiên cứu), và tổn thương quanh chóp (1 nghiên cứu).

Al Haidan et al. đề xuất một mô hình toán học dự đoán hiện tượng mòn răng hoặc xói mòn dựa trên các dữ liệu đầu vào như tần suất đánh răng, chế độ ăn uống, và thói quen nghiến răng [21].

Về kiến trúc sử dụng:

• • ANNs: 5 nghiên cứu
  • CNNs: 2 nghiên cứu
  • ExS: 1 nghiên cứu

Ekert, Araki và Devito [17, 23, 24] đã so sánh kết quả giữa AI và chẩn đoán của con người.

Trong 5 nghiên cứu có công bố kết quả đánh giá, các thông số đạt được như sau:

• • Độ chính xác: 70,0%–96,6%
  • Độ nhạy: 65,0%–100,0%
  • Độ đặc hiệu: 60,0%–100,0%
  • AUC: 0,662–0,850

3.3.2. Nha chu học 

Trong lĩnh vực nha chu [25–31], có 2 nghiên cứu sử dụng X-quang quanh chóp hoặc toàn cảnh để phát hiện tiêu xương quanh răng. Ba nghiên cứu phân loại bệnh nhân thành các nhóm bệnh nha chu dựa trên dữ liệu đầu vào như: vi khuẩn dưới nướu, thông tin bệnh nhân và tình trạng răng miệng, dữ liệu lâm sàng và miễn dịch từ các nghiên cứu trước.

Meissner et al. phát hiện cao răng trên bề mặt răng người đã nhổ bằng thiết bị siêu âm nha khoa kết hợp hệ thống dao động cơ học

Về kiến trúc:

• • 4 nghiên cứu sử dụng ANNs hoặc CNNs
  • 1 nghiên cứu so sánh ANN với SVM và DT
  • Một số nghiên cứu sử dụng SVM, FL hoặc LDA đơn lẻ

Về kết quả đánh giá, các thông số đạt được như sau:

• • Độ chính xác: 73,4%–98,6%
  • Độ nhạy: 46,0%–98,0%
  • Độ đặc hiệu: 79,0%–98,1%
  • Độ chính xác tiên đoán: 93%
  • AUC: 0,73–0,83

Cuối cùng, Krois et al. và Lee et al. đã so sánh hiệu suất của AI với đánh giá chủ quan của bác sĩ lâm sàng trong chẩn đoán bệnh nha chu.

3.3.3. Phục hình răng

Trong lĩnh vực phục hình răng, ba nghiên cứu sử dụng bộ dữ liệu hình ảnh, bao gồm ảnh chụp và dữ liệu quét ba chiều (3D). Ba nghiên cứu còn lại sử dụng dữ liệu văn bản, như tình trạng răng miệng và các kết quả chẩn đoán hình ảnh X-quang [32–37].

Vaccaro et al. nhận diện mẫu trộn màu trên hình ảnh chụp của kẹo cao su hai màu đã được nhai, từ đó đánh giá hiệu quả nhai [32].

 Raith et al. phân loại các đặc điểm cụ thể của răng dựa trên mô hình ảo của cung răng người [34].

 Ngoài ra, Cheng et al. đề xuất một phương pháp dự đoán sự thay đổi khuôn mặt sau khi phục hình toàn hàm dựa trên dữ liệu quét khuôn mặt 3D [36].

Chen et al. khảo sát các mô hình ra quyết định trong thiết kế hàm giả tháo lắp bán phần, dựa trên các yếu tố như vệ sinh răng miệng, tình trạng mô mềm và mô nha chu [35]. Papantonopoulos et al. dự đoán giai đoạn viêm quanh implant dựa trên đánh giá tình trạng miệng và hình ảnh X-quang [33].

Về kiến trúc trí tuệ nhân tạo được sử dụng:

• • 3 nghiên cứu sử dụng mạng nơ-ron nhân tạo (ANNs)
  • Các thuật toán SVM, CBR, và k-NN mỗi loại được sử dụng trong 1 nghiên cứu.

Về kết quả đánh giá:

• • Độ chính xác (Accuracy): 93,3% – 93,5%
  • Độ nhạy (Sensitivity): 52,6% – 98,0%
  • Độ đặc hiệu (Specificity): 70,7% – 99,0%

Bảng 1. Đặc điểm của các nghiên cứu được đưa vào phân tích

Lĩnh vực: Nha khoa bảo tồn

📌 Chú giải thuật ngữ:

• • A: Accuracy – Độ chính xác
  • Se: Sensitivity – Độ nhạy
  • Sp: Specificity – Độ đặc hiệu
  • AUC: Area under ROC Curve – Diện tích dưới đường cong ROC
  • CBCT: Chụp cắt lớp chùm tia hình nón

Bảng. Đặc điểm của các nghiên cứu được đưa vào phân tích

Lĩnh vực: Nha chu học

📌 Chú giải thuật ngữ:

• • A: Accuracy – Độ chính xác
  • Se: Sensitivity – Độ nhạy
  • Sp: Specificity – Độ đặc hiệu
  • P: Precision – Độ chính xác tiên đoán
  • AUC: Diện tích dưới đường cong ROC
  • CNNs: Mạng nơ-ron tích chập
  • ANNs: Mạng nơ-ron nhân tạo
  • SVM: Máy vector hỗ trợ
  • DT: Cây quyết định
  • LDA: Phân tích sai biệt tuyến tính
  • FL: Logic mờ

3.3.4. Chỉnh nha 

Trong lĩnh vực chỉnh nha [38–45], ba nghiên cứu sử dụng bộ dữ liệu hình ảnh. Một nghiên cứu đánh giá sự thay đổi khuôn mặt trước và sau điều trị chỉnh nha bằng ảnh chụp mặt, hai nghiên cứu còn lại thực hiện phân loại kiểu hình xương và nhận dạng mốc giải phẫu bằng phim sọ nghiêng 

Ngoài ra, hai nghiên cứu sử dụng biến số đo sọ mặt, và ba nghiên cứu sử dụng hồ sơ điều trị chỉnh nha để phân loại kiểu hình xương, đưa ra quyết định nhổ răng trong chỉnh nha, lựa chọn loại headgear phù hợp, và lập kế hoạch điều trị.

Về mặt thuật toán, logic mờ (FL) được sử dụng trong hai nghiên cứu, trong khi ANNs, CNNs, SVM, DT và ExS mỗi loại được áp dụng trong một nghiên cứu. Tanikawa et al. còn phát triển một hệ thống có tên là “projected principal edge distribution” [42].

Đa số các nghiên cứu đánh giá hiệu suất dựa trên tỷ lệ thành công, đạt từ 80,0% đến 97%. Cuối cùng, kết quả của AI trong các nghiên cứu của Akçam et al., Sorihashi et al., và Hammond et al. được đánh giá bởi các bác sĩ chỉnh nha có kinh nghiệm 

3.3.5. Phẫu thuật miệng và hàm mặt 

Trong lĩnh vực phẫu thuật miệng và hàm mặt [46–58], hầu hết các nghiên cứu sử dụng dữ liệu hình ảnh để phát hiện khối u, bao gồm ảnh X-quang (6 nghiên cứu), ảnh hiển vi (3 nghiên cứu), và ảnh siêu âm (1 nghiên cứu). Hai nghiên cứu sử dụng hồ sơ bệnh án, bao gồm thông tin thuốc sử dụng; một nghiên cứu khác sử dụng phổ exosome trong nước bọt.

Các dữ liệu đầu vào này được sử dụng để:

• • Phát hiện ung thư và khối u miệng (5 nghiên cứu)
  • Chẩn đoán loãng xương (4 nghiên cứu)
  • Nhận diện tổn thương dạng nang (3 nghiên cứu)
  • Phát hiện viêm xoang hàm (1 nghiên cứu)

Về kiến trúc AI, các nghiên cứu chủ yếu sử dụng ANNs, CNNs, SVM, DT và RF, và thường so sánh từ hai thuật toán trở lên.

• • Florindo et al. phát triển hệ thống sử dụng mô tả fractal Bouligand-Minkowski [50]
  • Caruntu et al. đề xuất môi trường phân tích Zeiss KS400 [56]

Về hiệu suất, các nghiên cứu đạt:

• • Độ chính xác: 83,0% – 98,9%
  • Độ nhạy: 81,8% – 100,0%
  • Độ đặc hiệu: 76,7% – 98,4%
  • AUC: khoảng 0.88

Tanaka et al. báo cáo một trường hợp chẩn đoán hỗ trợ bằng máy tính thành công do một bác sĩ chưa có kinh nghiệm thực hiện, sử dụng hệ thống hệ chuyên gia (ExS) 

3.3.6. Nha pháp y 

Trong bài tổng quan này, nha pháp y được định nghĩa là việc xác định danh tính nạn nhân trong thảm họa quy mô lớn dựa trên hồ sơ nha khoa [59–68].

Phần lớn các nghiên cứu về nhận dạng nha khoa sử dụng thông tin từ ảnh X-quang, và được ứng dụng trong:

• • Nhận dạng loại răng (4 nghiên cứu)
  • Ước tính tuổi dựa trên tỷ lệ tủy – răng ở răng nanh, hoặc phân loại giai đoạn phát triển răng khôn (2 nghiên cứu)
  • Xác định danh tính cá nhân từ đặc điểm răng như hình dạng, vị trí và phương pháp điều trị (2 nghiên cứu)
  • Dự đoán hình thái xương hàm dưới và phân loại bệnh lý răng phổ biến như sâu răng và rạn chân răng (1 nghiên cứu mỗi loại)

Thuật toán AI sử dụng gồm:

• • CNNs: 5 nghiên cứu
  • ANNs, FL và k-means: mỗi loại 1 nghiên cứu

Chen et al. thử nghiệm thuật toán so khớp viền răng, trong khi Chomdej et al. phát triển hệ thống nhận dạng nha khoa thông minh [67, 68].

Hiệu suất đạt được:

• • Độ chính xác: 52,0% – 93,0%
  • Độ chính xác tiên đoán (Precision): 79,2% – 95,8%
  • MAE: 0.09 – 4.121
  • RMSE: 0.09 – 4.403

3.3.7. Các lĩnh vực khác 

Trong nhóm này:

• • 4 nghiên cứu về rối loạn khớp thái dương hàm (TMD)
  • 1 nghiên cứu phát hiện gian lận trong nha khoa
  • 1 nghiên cứu phân loại hơi thở hôi [69–74]

De Dumast et al. phân loại 5 giai đoạn thay đổi xương lồi cầu trong thoái hóa khớp thái dương hàm bằng ảnh CBCT [69].

 Nam et al. sử dụng công nghệ khai phá văn bản (text mining) kết hợp Xử lý ngôn ngữ tự nhiên (NLP) để phân biệt các triệu chứng giống TMD như cứng hàm và đau hàm với TMD thực sự. Kỹ thuật này trích xuất thông tin từ văn bản, bao gồm triệu chứng chính mà bệnh nhân trình bày.

Bảng 1 (tiếp theo). Đặc điểm của các nghiên cứu được đưa vào phân tích

Lĩnh vực: Phục hình răng

📌 Chú giải thuật ngữ:

• • A: Accuracy – Độ chính xác
  • Se: Sensitivity – Độ nhạy
  • Sp: Specificity – Độ đặc hiệu
  • AUC: Diện tích dưới đường cong ROC
  • RMSE: Sai số căn trung bình bình phương
  • CBR: Suy diễn theo trường hợp
  • k-NN: Thuật toán k láng giềng gần nhất

Bảng 1. Đặc điểm của các nghiên cứu được đưa vào phân tích

Lĩnh vực: Chỉnh nha

📌 Chú giải thuật ngữ:

• • A: Accuracy – Độ chính xác
  • DT: Decision Tree – Cây quyết định
  • FL: Fuzzy Logic – Logic mờ
  • ExS: Expert System – Hệ chuyên gia
  • CNNs, ANNs, SVM: các thuật toán học máy phổ biến trong AI nha khoa

Bảng 1 (tiếp theo). Đặc điểm của các nghiên cứu được đưa vào phân tích

Lĩnh vực: Phẫu thuật miệng và hàm mặt

📌 Chú giải thuật ngữ:

• • A: Accuracy – Độ chính xác
  • Se: Sensitivity – Độ nhạy
  • Sp: Specificity – Độ đặc hiệu
  • AUC: Diện tích dưới đường cong ROC
  • F1-score: Trung bình điều hòa giữa độ chính xác và độ bao phủ
  • BI: Suy luận Bayes
  • k-NN: Thuật toán k láng giềng gần nhất
  • LR: Hồi quy logistic
  • RF: Rừng ngẫu nhiên
  • DT: Cây quyết định
  • ExS: Hệ chuyên gia

Bảng 1. Đặc điểm của các nghiên cứu được đưa vào phân tích

Lĩnh vực: Nha pháp y

📌 Chú giải thuật ngữ:

• • A: Accuracy – Độ chính xác
  • P: Precision – Độ chính xác tiên đoán
  • F1-score: Trung bình điều hòa giữa độ chính xác và độ bao phủ
  • MAE: Sai số tuyệt đối trung bình
  • RMSE: Sai số căn trung bình bình phương
  • MSE: Sai số bình phương trung bình
  • SVR: Support Vector Regression – Hồi quy vector hỗ trợ
  • CNNs, ANNs, FL, k-means: Các thuật toán học máy phổ biến

Bảng 1. Đặc điểm của các nghiên cứu được đưa vào phân tích

Lĩnh vực: Khác

📌 Chú giải thuật ngữ:

• • A: Accuracy – Độ chính xác
  • Se: Sensitivity – Độ nhạy
  • Sp: Specificity – Độ đặc hiệu
  • BI: Bayesian Inference – Suy luận Bayes
  • TMD: Temporomandibular Disorders – Rối loạn khớp thái dương hàm
  • ADDwR / ADDwoR: Internal derangement with/without reduction – Rối loạn chức năng khớp thái dương hàm có/không kèm trật khớp tự hồi phục

Ngoài ra, Nam et al. đã sử dụng phương pháp khai phá văn bản (text mining) bằng kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để phân tích tiền sử bệnh, các triệu chứng chính và kết quả khám lâm sàng khách quan nhằm phân loại rối loạn khớp thái dương hàm (TMD) 

Nakano et al. giới thiệu phương pháp phân loại hơi thở hôi dựa trên vi sinh vật trong nước bọt, sử dụng thuật toán SVM [73].

 Wang et al. triển khai mạng xã hội để đánh giá độ tin cậy của nha sĩ và phát hiện gian lận trong điều trị. Nếu một số lượng lớn bệnh nhân điều trị ban đầu với một nha sĩ sau đó phải điều trị tiếp cùng vấn đề tại nha sĩ khác trong thời gian ngắn, nha sĩ đầu tiên bị nghi ngờ điều trị không đạt yêu cầu [71].

 Iwasaki et al. sử dụng suy luận Bayes (BI) để đánh giá tiến triển TMD, phân tích mối liên hệ giữa thay đổi xương lồi cầu, khoảng khớp và sự biến dạng/di lệch đĩa khớp [72].

 Bas et al. sử dụng ANNs để dự đoán hai nhóm phụ TMD: trật đĩa trước có hồi phục và không hồi phục, với dữ liệu đầu vào như: tiếng kêu khớp, mức mở miệng tối đa và cảm giác đau khi vận động hàm dưới [74].

Các thông số hiệu suất thu được gồm:

• • Độ chính xác (Accuracy): 71.5%–94.0%
  • Độ nhạy (Sensitivity): 37.0%–100.0%
  • Độ đặc hiệu (Specificity): 45.5%–100.0%

Iwasaki et al. đạt hiệu suất lên tới 99.5%–100% khi áp dụng phương pháp xác thực nội suy (resubstitution validation) [72].

4. Thảo luận

Nghiên cứu về trí tuệ nhân tạo (AI) đã tiến bộ nhanh chóng, đặc biệt từ khi xuất hiện các máy tính hiệu năng cao vào thập niên 1980. Nhiều loại kiến trúc đã được phát triển để phục vụ phân tích thống kê, đặt nền tảng cho công nghệ AI hiện đại vào thập niên 1990. Do đó, các nghiên cứu trong bài tổng quan này cũng sử dụng đa dạng các kiến trúc AI.

Về bản chất, học máy (machine learning – ML) trong AI được chia thành:

• • Học có giám sát (Supervised Machine Learning – SML): Xây dựng mô hình phân loại hoặc hồi quy dựa trên dữ liệu đã gắn nhãn (label). Ví dụ: CNNs, SVM, và RF (rừng ngẫu nhiên).
  • Học không giám sát (Unsupervised Machine Learning – UML): Phân nhóm dữ liệu theo đặc điểm mà không cần nhãn. Ví dụ: PCA (phân tích thành phần chính), clustering, và k-means.

Trong bài tổng quan này, phần lớn nghiên cứu sử dụng học có giám sát, chỉ duy nhất một nghiên cứu sử dụng k-means (học không giám sát).

Ngoài ra, khai phá dữ liệu (data mining) – quá trình phân tích dữ liệu bằng nhiều thuật toán tính toán – cũng là một yếu tố quan trọng trong ứng dụng AI [80].

Một số tổng quan trước đây đã được công bố về AI trong nha khoa [81–83], tuy nhiên, các tổng quan đó chủ yếu:

• • Tập trung vào chẩn đoán hình ảnh [82, 83]
  • Chỉ sử dụng mạng nơ-ron nhân tạo (ANN), không có từ khóa hoặc công thức tìm kiếm rõ ràng [81]

Trong nghiên cứu này, chúng tôi mở rộng phạm vi không chỉ bao gồm hình ảnh mà còn cả:

• • Thông tin bệnh nhân
  • Ra quyết định điều trị

Chúng tôi sử dụng 3 từ khóa MeSH: “trí tuệ nhân tạo” , “mạng nơ-ron” , và “khai phá dữ liệu”. Các từ khóa này thuộc nhóm riêng biệt và không trùng lặp, đảm bảo phạm vi tìm kiếm đầy đủ và hợp lý.

Mặc dù AI đã được nghiên cứu trong y học từ những năm 1970, nhưng ứng dụng đầu tiên trong nha khoa chỉ mới xuất hiện từ năm 1996 – cho thấy lịch sử còn khá ngắn trong lĩnh vực này. Các công ty y tế đã phát triển nhiều sản phẩm chẩn đoán hình ảnh có hỗ trợ AI, nhưng trong nha khoa, chưa ghi nhận nghiên cứu hợp tác với doanh nghiệp.

Phần lớn các nghiên cứu sử dụng ảnh X-quang để chẩn đoán tổn thương, đặc biệt trong:

• • Phẫu thuật miệng & hàm mặt
  • Nha khoa bảo tồn
  • Chỉnh nha

Một mối liên hệ cũng được ghi nhận giữa thời gian đọc ảnh X-quang và tỷ lệ chẩn đoán sai. Berlin et al. báo cáo rằng khi thời gian đọc giảm 50%, tỷ lệ sai sót tăng 16.6% [86].

Vì vậy, AI nên được phát triển không chỉ cho chẩn đoán hình ảnh, mà còn cho chẩn đoán toàn diện trong hệ thống nhai 

Chúng tôi cũng đã rà soát nhiều nghiên cứu liên quan đến nha pháp y, đặc biệt là xác định danh tính cá nhân thông qua hồ sơ nha khoa. Trong các thảm họa quy mô lớn (ví dụ: sóng thần, động đất, bão lũ), nếu thi thể bị tổn hại nghiêm trọng, việc nhận dạng bằng vật dụng cá nhân, quần áo hay dấu vân tay thường trở nên khó khăn. Hồ sơ nha khoa được xem là bằng chứng mạnh và đáng tin cậy trong những tình huống như vậy [87,88]. Việc so khớp ảnh X-quang của nạn nhân sau khi mất với ảnh chụp khi còn sống tại cơ sở y tế có thể là phương pháp nhận dạng nhanh chóng và chính xác. Trong lĩnh vực này, AI được kỳ vọng sẽ mang lại hiệu quả đặc biệt.

Trong nhiều tình huống lâm sàng, việc chẩn đoán bằng mắt thường là đủ, do đó chỉ có một số ít bệnh lý hoặc tình trạng cần đến chẩn đoán chuyên biệt. Thêm vào đó, trong các lĩnh vực như phục hồi, phục hình và chỉnh nha, nơi mà kỹ năng điều trị quan trọng hơn năng lực chẩn đoán, thì khả năng ứng dụng AI hiện tại còn hạn chế.

Tuy nhiên, trong tương lai, nguồn dữ liệu hình ảnh sẽ không chỉ giới hạn ở X-quang; các dữ liệu 3D, ví dụ như cung răng được quét bằng máy quét trong miệng (intraoral scanner) sẽ ngày càng phổ biến. Do đó, AI được kỳ vọng sẽ hỗ trợ lập kế hoạch điều trị và thiết kế phục hình, bao gồm cả tính toán cấu trúc nhờ các công cụ như kỹ thuật hỗ trợ bằng máy tính (CAE).

Ngoài ra, các kế hoạch điều trị còn mơ hồ trong nha khoa có thể trở nên khách quan hơn khi dựa trên các chỉ số đánh giá của AI và tiến trình điều trị được ghi nhận cụ thể. Nhờ khả năng tự học các đặc trưng và biến giải thích từ tập dữ liệu lớn, AI có thể tự động đưa ra phương án điều trị tối ưu cho từng tình huống.

Tuy nhiên, để ứng dụng AI một cách toàn diện, không chỉ cần dữ liệu phong phú mà còn phải có chất lượng cao. Do đó, quá trình làm sạch dữ liệu (data cleansing) là yếu tố then chốt [89]. Trong ngành y, nhiều bệnh viện tuyến tỉnh và đại học đã bắt đầu xây dựng cơ sở dữ liệu hình ảnh bệnh án phục vụ đào tạo mô hình. Để ứng dụng AI hiệu quả trong nha khoa, cần chuẩn hóa phương pháp đánh giá và xây dựng cơ sở dữ liệu công khai về ảnh X-quang và hình ảnh trong miệng.

5. Kết luận

Bài tổng quan này cho thấy nghiên cứu sớm nhất về ứng dụng AI trong lĩnh vực nha khoa được công bố vào những năm 1990. Hầu hết các nghiên cứu được tổng hợp trong bài đều cho kết quả khả quan; tuy nhiên, các tiêu chí đánh giá hiệu quả của AI vẫn chưa được chuẩn hóa rõ ràng.

Do đó, để học máy hoạt động hiệu quả trong chẩn đoán tổn thương và lập kế hoạch điều trị phù hợp, cần thu thập dữ liệu có chất lượng cao hơn. Việc này có thể đạt được thông qua:

• • Xây dựng cơ sở dữ liệu bệnh án công khai
  • Chuẩn hóa phương pháp và tiêu chí đánh giá hiệu suất AI

Chúng tôi cũng đã xem xét nhiều nghiên cứu tập trung vào nha pháp y, cụ thể là xác định danh tính cá nhân từ hồ sơ nha khoa. Khi xảy ra các thảm họa quy mô lớn (ví dụ như sóng thần, động đất và bão), nếu thi thể bị hư hại nghiêm trọng, việc nhận dạng qua vật dụng cá nhân, quần áo hoặc dấu vân tay thường gặp khó khăn. Trong những trường hợp này, hồ sơ nha khoa được xem là bằng chứng mạnh mẽ và đáng tin cậy [87,88]. Việc so khớp hình ảnh X-quang của thi thể với ảnh chụp khi còn sống tại cơ sở y tế có thể là phương pháp nhận dạng nhanh chóng và hiệu quả cao. Trong lĩnh vực này, trí tuệ nhân tạo (AI) được kỳ vọng sẽ mang lại nhiều lợi ích đáng kể.

Trong lâm sàng nha khoa, chẩn đoán trực tiếp bằng mắt thường thường đủ để xác định bệnh lý, do đó chỉ một số ít tình trạng đòi hỏi phương pháp chẩn đoán khác. Ngoài ra, ở các lĩnh vực như phục hồi, phục hình và chỉnh nha, nơi kỹ thuật điều trị đóng vai trò then chốt hơn năng lực chẩn đoán, AI hiện tại có ít cơ hội ứng dụng. Tuy nhiên, trong tương lai, nguồn dữ liệu sẽ không chỉ còn là X-quang, mà sẽ bao gồm cả dữ liệu 3D, như cung răng từ máy quét trong miệng (intraoral scanners). Điều này mở ra cơ hội cho AI hỗ trợ hiệu quả trong thiết kế phục hình, lập kế hoạch điều trị, và cả trong tính toán cấu trúc thông qua các công cụ CAE (Computer-Aided Engineering).

Bên cạnh đó, các kế hoạch điều trị vốn chưa rõ ràng có thể được hệ thống hóa và khách quan hóa nhờ AI. Khi AI có thể tự động học từ dữ liệu lớn và nhiều biến giải thích, nó có khả năng dự đoán tối ưu phương án điều trị cho từng trường hợp. Tuy nhiên, để AI hoạt động hiệu quả, không chỉ cần dữ liệu đa dạng, mà còn cần chất lượng cao – vì vậy làm sạch dữ liệu (data cleansing) là bước không thể thiếu [89].

Trong ngành y, đã có những nỗ lực xây dựng cơ sở dữ liệu hình ảnh giữa các bệnh viện, phục vụ cho việc huấn luyện mô hình AI. Đối với nha khoa, cần tiến tới việc chuẩn hóa phương pháp đánh giá và xây dựng cơ sở dữ liệu hình ảnh X-quang và trong miệng quy mô lớn.

5. Kết luận

Bài tổng quan tài liệu này cho thấy nghiên cứu đầu tiên về ứng dụng AI trong lĩnh vực nha khoa được công bố từ những năm 1990. Hầu hết các nghiên cứu được lựa chọn đều cho kết quả tích cực, tuy nhiên, các tiêu chí đánh giá hiệu quả của AI vẫn chưa được xác định một cách rõ ràng.

Do đó, để AI thực sự hỗ trợ hiệu quả trong việc chẩn đoán tổn thương và lập kế hoạch điều trị phù hợp, cần:

• • Thu thập dữ liệu có chất lượng cao hơn
  • Xây dựng cơ sở dữ liệu bệnh án công khai
  • Chuẩn hóa các phương pháp và tiêu chí đánh giá AI

Việc này không chỉ giúp tối ưu hiệu quả học máy, mà còn góp phần phát triển ứng dụng AI một cách toàn diện trong nha khoa hiện đại.

Tài liệu tham khảo 

[2] Kim J. Dữ liệu lớn, tin học y tế và tương lai của y học tim mạch. J Am Coll Cardiol. 2017;69:899–902. https://doi.org/10.1016/j.jacc.2017.01.006, PMID:28209228

[3] Chen H, Engkvist O, Wang Y, Olivecrona M, Blaschke T. Sự phát triển của học sâu trong khám phá thuốc. Drug Discov Today. 2018;23:1241–50. https://doi.org/10.1016/j.drudis.2018.01.039, PMID:29366762

[4] Lifschitz V. John McCarthy (1927–2011). Nature. 2011;480:40. https://doi.org/10.1038/480040a, PMID:22129718

[5] Mezgec S, Koroušić Seljak B. NutriNet: Hệ thống nhận diện hình ảnh thực phẩm và đồ uống sử dụng học sâu để đánh giá chế độ ăn. Nutrients. 2017;9:657. https://doi.org/10.3390/nu9070657, PMID:28653995

[6] Beggiato M, Hartwich F, Krems J. Sử dụng vòng tay thông minh, đo đồng tử và chuyển động cơ thể để phát hiện sự khó chịu trong lái xe tự động. Front Hum Neurosci. 2018;12:338. https://doi.org/10.3389/fnhum.2018.00338, PMID:30319372

[7] Cross ES, Hortensius R, Wykowska A. Từ bộ não xã hội đến robot xã hội: Ứng dụng kiến thức thần kinh nhận thức vào tương tác người – máy. Philos Trans R Soc Lond B Biol Sci. 2019;374:20180024. https://doi.org/10.1098/rstb.2018.0024, PMID:30852997

[8] Shortliffe EH, Davis R, Axline SG, Buchanan BG, Green CC, Cohen SN. Tư vấn lâm sàng dựa trên máy tính: Khả năng giải thích và học quy tắc của hệ thống MYCIN. Comput Biomed Res. 1975;8:303–20. https://doi.org/10.1016/0010-4809(75)90009-9, PMID:1157471

[9] Miller RA, Pople HE Jr, Myers JD. Internist-1: Hệ thống chẩn đoán thử nghiệm cho y học nội khoa tổng quát. N Engl J Med. 1982;307:468–76. https://doi.org/10.1056/NEJM198208193070803, PMID:7048091

[10] Hinton GE. Học nhiều tầng biểu diễn. Trends Cogn Sci. 2007;11:428–34. https://doi.org/10.1016/j.tics.2007.09.004, PMID:17921042

[11] Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Phát triển và xác thực thuật toán học sâu để phát hiện bệnh võng mạc tiểu đường từ ảnh đáy mắt. JAMA. 2016;316:2402–10. https://doi.org/10.1001/jama.2016.17216, PMID:27898976

[12] Pereira S, Pinto A, Alves V, Silva CA. Phân đoạn u não bằng mạng nơ-ron tích chập trên ảnh cộng hưởng từ. IEEE Trans Med Imaging. 2016;35:1240–51. https://doi.org/10.1109/TMI.2016.2538465, PMID:26960222

[13] Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, et al. Phân loại ung thư da đạt trình độ bác sĩ da liễu bằng mạng nơ-ron sâu. Nature. 2017;542:115–8. https://doi.org/10.1038/nature21056, PMID:28117445

[14] Alghazzawi TF. Những tiến bộ trong công nghệ CAD/CAM: Giải pháp triển khai thực tế. J Prosthodont Res. 2016;60:72–84. https://doi.org/10.1016/j.jpor.2016.01.003, PMID:26935333

[15] Wang C, Zhang W, Ajmera DH, Zhang Y, Fan Y, Ji P. Mô phỏng quá trình tái tạo xương quanh implant nghiêng ở vùng răng cửa hàm trên. Biomech Model Mechanobiol. 2016;15:701–12. https://doi.org/10.1007/s10237-015-0718-5, PMID:26285769

[16] Nishiyama H, Taniguchi A, Tanaka S, Baba K. Quy trình kỹ thuật số hoàn toàn mới cho chế tạo hàm giả tháo lắp. J Prosthodont Res. 2020;64:98–103. https://doi.org/10.1016/j.jpor.2019.05.002, PMID:31229550

[17] Ekert T, Krois J, Meinhold L, Elhennawy K, Emara R, Golla T, et al. Học sâu trong phát hiện tổn thương quanh chóp trên ảnh X-quang. J Endod. 2019;45:917–922.e5. https://doi.org/10.1016/j.joen.2019.03.016, PMID:31160078

[18] Patil S, Kulkarni V, Bhise A. Phân tích thuật toán phát hiện sâu răng sử dụng kiến trúc mạng nơ-ron thích nghi. Heliyon. 2019;5:e01579. https://doi.org/10.1016/j.heliyon.2019.e01579, PMID:31080904

[19] Lee JH, Kim DH, Jeong SN, Choi SH. Phát hiện và chẩn đoán sâu răng bằng thuật toán mạng nơ-ron tích chập học sâu. J Dent. 2018;77:106–11. https://doi.org/10.1016/j.jdent.2018.07.015, PMID:30056118

[20] Johari M, Esmaeili F, Andalib A, Garjani S, Saberkari H. Phát hiện gãy chân răng đứng ở răng tiền cối còn nguyên và đã điều trị tủy bằng mạng nơ-ron xác suất – nghiên cứu trong ống nghiệm. Dentomaxillofac Radiol. 2017;46:20160107. https://doi.org/10.1259/dmfr.20160107, PMID:27786566

[21] Al Haidan A, Abu-Hammad O, Dar-Odeh N. Dự đoán mất chất răng bằng mạng nơ-ron nhân tạo tối ưu hóa thuật toán di truyền. Comput Math Methods Med. 2014;2014:1–7. https://doi.org/10.1155/2014/106236, PMID:25114713

[22] Kositbowornchai S, Plermkamon S, Tangkosol T. Hiệu suất của mạng nơ-ron nhân tạo trong phát hiện gãy chân răng đứng: nghiên cứu trong ống nghiệm. Dent Traumatol. 2013;29:151–5. https://doi.org/10.1111/j.1600-9657.2012.01148.x, PMID:22613067

[23] Araki K, Matsuda Y, Seki K, Okano T. Ảnh hưởng của hỗ trợ bằng máy tính đến hiệu suất của người quan sát trong chẩn đoán sâu răng mặt tiếp giáp sử dụng X-quang kỹ thuật số trong miệng. Clin Oral Investig. 2010;14:319–25. https://doi.org/10.1007/s00784-009-0307-z, PMID:19557443

[24] Devito KL, de Souza Barbosa F, Filho WNF. Ứng dụng mạng nơ-ron nhân tạo nhiều lớp trong chẩn đoán sâu răng vùng tiếp giáp. Oral Surg Oral Med Oral Pathol Oral Radiol Endod. 2008;106:879–84. https://doi.org/10.1016/j.tripleo.2008.03.002, PMID:18718785

[25] Krois J, Ekert T, Meinhold L, Golla T, Kharbot B, Wittemeier A, et al. Deep learning trong phát hiện tiêu xương nha chu qua ảnh X-quang. Sci Rep. 2019;9:8495. https://doi.org/10.1038/s41598-019-44839-3, PMID:31186466

[26] Feres M, Louzoun Y, Haber S, Faveri M, Figueiredo LC, Levin L. Phân biệt viêm nha chu mạn tính và tiến triển bằng SVM dựa trên cấu hình vi sinh. Int Dent J. 2018;68:39–46. https://doi.org/10.1111/idj.12326, PMID:28771699

[27] Lee JH, Kim D, Jeong SN, Choi SH. Chẩn đoán và dự đoán răng tổn thương nha chu sử dụng CNN. J Periodontal Implant Sci. 2018;48:114–23. https://doi.org/10.5051/jpis.2018.48.2.114, PMID:29770240

[28] Ozden FO, Özgönenel O, Özden B, Aydogdu A. Chẩn đoán bệnh nha chu bằng các thuật toán phân loại khác nhau: nghiên cứu sơ bộ. Niger J Clin Pract. 2015;18:416–21. https://doi.org/10.4103/1119-3077.151785, PMID:25772929

[29] Thyvalikakath TP, Padman R, Vyawahare K, Darade P, Paranjape R. Sử dụng dữ liệu hồ sơ sức khỏe nha khoa điện tử để dự đoán nguy cơ mắc bệnh nha chu. Stud Health Technol Inform. 2015;216:1081. PMID:26262380

[30] Papantonopoulos G, Takahashi K, Bountis T, Loos BG. Mạng nơ-ron nhân tạo trong chẩn đoán viêm nha chu tiến triển, được huấn luyện bằng các chỉ số miễn dịch học. PLoS One. 2014;9:e89757. https://doi.org/10.1371/journal.pone.0089757, PMID:24603408

[31] Meissner G, Oehme B, Strackeljan J, Kocher T. Phát hiện cao răng trong ống nghiệm bằng thiết bị siêu âm thông minh di chuyển. J Clin Periodontol. 2006;33:130–4. https://doi.org/10.1111/j.1600-051X.2005.00863.x, PMID:16441738

[32] Vaccaro G, Peláez JI, Gil-Montoya JA. Hệ chuyên gia mới đánh giá khách quan hiệu quả nhai. PLoS One. 2018;13:e0190386. https://doi.org/10.1371/journal.pone.0190386, PMID:29385165

[33] Papantonopoulos G, Gogos C, Housos E, Bountis T, Loos BG. Dự đoán mức độ tiêu xương quanh implant và sự tồn tại của các “kiểu hình” implant. Clin Oral Implants Res. 2017;28:823–32. https://doi.org/10.1111/clr.12887, PMID:27252014

[34] Raith S, Vogel EP, Anees N, Keul C, Güth JF, Edelhoff D, et al. Mạng nơ-ron nhân tạo như công cụ số mạnh trong phân loại đặc điểm răng từ dữ liệu quét 3D. Comput Biol Med. 2017;80:65–76. https://doi.org/10.1016/j.compbiomed.2016.11.013, PMID:27915125

[35] Chen Q, Wu J, Li S, Lyu P, Wang Y, Li M. Mô hình hỗ trợ quyết định lâm sàng dựa trên ontology và suy diễn trường hợp trong thiết kế hàm giả tháo lắp. Sci Rep. 2016;6:27855. https://doi.org/10.1038/srep27855, PMID:27297679

[36] Cheng C, Cheng X, Dai N, Jiang X, Sun Y, Li W. Dự đoán biến dạng khuôn mặt sau phục hình toàn hàm bằng mạng nơ-ron lan truyền ngược (BP). Comput Biol Med. 2015;66:103–12. https://doi.org/10.1016/j.compbiomed.2015.08.018, PMID:26386549

[37] Papantonopoulos G, Gogos C, Housos E, Bountis T, Loos BG. Viêm quanh implant: tình trạng phức tạp với đặc điểm phi tuyến. J Clin Periodontol. 2015;42:789–98. https://doi.org/10.1111/jcpe.12430, PMID:26174195

 [38] Patcas R, Bernini DAJ, Volokitin A, Agustsson E, Rothe R, Timofte R. Ứng dụng trí tuệ nhân tạo để đánh giá tác động của phẫu thuật chỉnh hình hàm mặt đến mức độ hấp dẫn khuôn mặt và độ tuổi ước tính. Int J Oral Maxillofac Surg. 2019;48:77–83. https://doi.org/10.1016/j.ijom.2018.07.010, PMID:30087062

[39] Auconi P, Scazzocchio M, Caldarelli G, Nieri M, McNamara JA, Franchi L. Hiểu tương tác giữa các biến số sọ mặt trong quá trình phát triển của bệnh nhân lớp III không điều trị. Eur J Orthod. 2017;39:cjw084. https://doi.org/10.1093/ejo/cjw084, PMID:28064196

[40] Jung SK, Kim TW. Phương pháp mới trong chẩn đoán chỉ định nhổ răng sử dụng học máy mạng nơ-ron. Am J Orthod Dentofacial Orthop. 2016;149:127–33. https://doi.org/10.1016/j.ajodo.2015.07.030, PMID:26718386

[41] Niño-Sandoval TC, Guevara Perez SV, González FA, Jaque RA, Infante-Contreras C. Phương pháp tự động phân loại kiểu hình xương hàm dựa trên biến số sọ-hàm mặt ở người Colombia. Forensic Sci Int. 2016;261:159.e1–6. https://doi.org/10.1016/j.forsciint.2015.12.025, PMID:26782070

[42] Tanikawa C, Yagi M, Takada K. Định vị sọ mặt tự động: độ tin cậy hệ thống sử dụng tiêu chí dựa trên mốc giải phẫu. Angle Orthod. 2009;79:1037–46. https://doi.org/10.2319/092908-508R.1, PMID:19852592

[43] Akçam MO, Takada K. Mô hình mờ để lựa chọn loại khí cụ kéo đầu. Eur J Orthod. 2002;24:99–106. https://doi.org/10.1093/ejo/24.1.99, PMID:11887385

[44] Sorihashi Y, Stephens CD, Takada K. Mô hình suy diễn trong đánh giá trực quan quan hệ hàm theo mặt phẳng dọc giữa dựa trên đo sọ mặt: Phần II. Am J Orthod Dentofacial Orthop. 2000;117:303–11. https://doi.org/10.1016/S0889-5406(00)70235-6, PMID:10715090

[45] Hammond RM, Freer TJ. Ứng dụng hệ chuyên gia theo trường hợp vào chẩn đoán và lập kế hoạch điều trị chỉnh nha. Aust Orthod J. 1997;14:229–34. PMID:9528406

[46] Murata M, Ariji Y, Ohashi Y, Kawai T, Fukuda M, Funakoshi T, et al. Phân loại học sâu sử dụng CNN để đánh giá viêm xoang hàm trên trên phim toàn cảnh. Oral Radiol. 2019;35:301–7. https://doi.org/10.1007/s11282-018-0363-7, PMID:30539342

[47] Zlotogorski-Hurvitz A, Dekel BZ, Malonek D, Yahalom R, Vered M. Phổ FTIR của exosome nước bọt kết hợp phân tích hỗ trợ máy tính trong chẩn đoán ung thư miệng. J Cancer Res Clin Oncol. 2019;145:685–94. https://doi.org/10.1007/s00432-018-02827-6, PMID:30603907

[48] Kim DW, Kim H, Nam W, Kim HJ, Cha IH. Học máy dự đoán hoại tử xương hàm liên quan đến bisphosphonate sau nhổ răng – báo cáo sơ bộ. Bone. 2018;116:207–14. https://doi.org/10.1016/j.bone.2018.04.020, PMID:29698784

[49] Poedjiastoeti W, Suebnukarn S. Ứng dụng CNN trong chẩn đoán u xương hàm. Healthc Inform Res. 2018;24:236–41. https://doi.org/10.4258/hir.2018.24.3.236, PMID:30109156

[50] Florindo JB, Bruno OM, Landini G. Phân loại hình thái u nang biểu mô tạo răng bằng mô tả fractal Bouligand–Minkowski. Comput Biol Med. 2017;81:1–10. https://doi.org/10.1016/j.compbiomed.2016.12.003, PMID:27992735

[51] Hwang JJ, Lee JH, Han SS, Kim YH, Jeong HG, Choi YJ, et al. Phân tích dầm trong mô hình phát hiện loãng xương sử dụng phim toàn cảnh nha khoa. Dentomaxillofac Radiol. 2017;46:20170006. https://doi.org/10.1259/dmfr.20170006, PMID:28707523

[52] Yilmaz E, Kayikcioglu T, Kayipmaz S. Chẩn đoán hỗ trợ máy tính u nang quanh chóp và u biểu mô tạo răng dạng keratocyst trên phim CBCT. Comput Methods Programs Biomed. 2017;146:91–100. https://doi.org/10.1016/j.cmpb.2017.05.012, PMID:28688493

[53] Kavitha MS, Ganesh Kumar P, Park SY, Huh KH, Heo MS, Kurita T, et al. Phát hiện tự động loãng xương bằng phương pháp phân loại mờ lai gen – bầy đàn. Dentomaxillofac Radiol. 2016;45:20160076. https://doi.org/10.1259/dmfr.20160076, PMID:27186991

[54] Kavitha MS, An SY, An CH, Huh KH, Yi WJ, Heo MS, et al. Phân tích kết cấu xương vỏ hàm dưới trên phim toàn cảnh số để chẩn đoán loãng xương ở phụ nữ Hàn Quốc. Oral Surg Oral Med Oral Pathol Oral Radiol. 2015;119:346–56. https://doi.org/10.1016/j.oooo.2014.11.009, PMID:25600978

[55] Frydenlund A, Eramian M, Daley T. Phân loại tự động bốn loại u nang phát triển nguồn gốc răng. Comput Med Imaging Graph. 2014;38:151–62. https://doi.org/10.1016/j.compmedimag.2013.12.002, PMID:24411103

[56] Caruntu ID, Scutariu MM, Dobrescu G. Phân biệt hình thái học bằng máy tính giữa tế bào bình thường và tế bào khối u trong phết miệng. J Cell Mol Med. 2005;9:160–8. https://doi.org/10.1111/j.1582-4934.2005.tb00346.x, PMID:15784174

[57] Tanaka T, Miwa K, Kanda S. Ứng dụng suy luận mờ trong hệ chuyên gia siêu âm. Dentomaxillofac Radiol. 1997;26:125–31. https://doi.org/10.1038/sj.dmfr.4600225, PMID:9442629

[58] Firriolo FJ, Levy BA. Hệ chuyên gia máy tính trong chẩn đoán mô bệnh học u tuyến nước bọt. Oral Surg Oral Med Oral Pathol Oral Radiol Endod. 1996;82:179–86. https://doi.org/10.1016/S1079-2104(96)80222-8, PMID:8863308

[59] Chen H, Zhang K, Lyu P, Li H, Zhang L, Wu J, et al. Phương pháp học sâu tự động phát hiện và đánh số răng dựa trên nhận diện đối tượng trên phim quanh chóp. Sci Rep. 2019;9:3840. https://doi.org/10.1038/s41598-019-40414-y, PMID:30846758

[60] Farhadian M, Salemi F, Saati S, Nafisi N. Ước tính tuổi răng sử dụng tỷ lệ tủy/răng ở răng nanh bằng mạng nơ-ron. Imaging Sci Dent. 2019;49:19–26. https://doi.org/10.5624/isd.2019.49.1.19, PMID:30941284

 [61] Zhang K, Wu J, Chen H, Lyu P. Phương pháp nhận diện răng hiệu quả sử dụng cây nhãn kết hợp cấu trúc mạng tầng lớp. Comput Med Imaging Graph. 2018;68:61–70. https://doi.org/10.1016/j.compmedimag.2018.07.001, PMID:30056291

[62] De Tobel J, Radesh P, Vandermeulen D, Thevissen PW. Kỹ thuật tự động xác định giai đoạn phát triển răng khôn hàm dưới trên phim toàn cảnh để ước tính tuổi – Nghiên cứu thí điểm. J Forensic Odontostomatol. 2017;35:42–54. PMID:29384736

[63] Miki Y, Muramatsu C, Hayashi T, Zhou X, Hara T, Katsumata A, et al. Phân loại răng trên CT chùm tia hình nón bằng mạng nơ-ron tích chập sâu. Comput Biol Med. 2017;80:24–9. https://doi.org/10.1016/j.compbiomed.2016.11.003, PMID:27889430

[64] Niño-Sandoval TC, Guevara Pérez SV, González FA, Jaque RA, Infante-Contreras C. Ứng dụng học máy tự động để dự đoán hình thái xương hàm ở các nhóm xương loại I, II, III. Forensic Sci Int. 2017;281:187.e1–7. https://doi.org/10.1016/j.forsciint.2017.10.004, PMID:29126697

[65] Wang L, Li S, Chen R, Liu SY, Chen JC. Phân đoạn và phân loại răng đơn trên ảnh MicroCT bằng tập hợp mức 3D và k-means++. Comput Med Imaging Graph. 2017;57:19–28. https://doi.org/10.1016/j.compmedimag.2016.05.005, PMID:27268506

[66] Ngan TT, Tuan TM, Son LH, Minh NH, Dey N. Ra quyết định y khoa từ ảnh X-quang răng sử dụng tổng hợp mờ. J Med Syst. 2016;40:280. https://doi.org/10.1007/s10916-016-0634-y, PMID:27787784

[67] Chen H, Jain AK. Sinh trắc học nha khoa: căn chỉnh và so khớp ảnh X-quang răng. IEEE Trans Pattern Anal Mach Intell. 2005;27:1319–26. https://doi.org/10.1109/TPAMI.2005.157, PMID:16119269

[68] Chomdej T, Pankaow W, Choychumroon S. Hệ thống nhận dạng nha khoa thông minh (IDIS) trong pháp y. Forensic Sci Int. 2006;158:27–38. https://doi.org/10.1016/j.forsciint.2005.05.001, PMID:15936908

[69] de Dumast P, Mirabel C, Cevidanes L, Ruellas A, Yatabe M, Ioshida M, et al. Hệ thống trực tuyến phân loại TMD dựa trên mạng nơ-ron nhân tạo. Comput Med Imaging Graph. 2018;67:45–54. https://doi.org/10.1016/j.compmedimag.2018.04.009, PMID:29753964

[70] Nam Y, Kim HG, Kho HS. Chẩn đoán phân biệt đau hàm sử dụng công nghệ tin học. J Oral Rehabil. 2018;45:581–8. https://doi.org/10.1111/joor.12655, PMID:29782036

[71] Wang SL, Pai HT, Wu MF, Wu F, Li CL. Đánh giá độ tin cậy để phát hiện gian lận bảo hiểm y tế trong nha khoa. Artif Intell Med. 2017;75:40–50. https://doi.org/10.1016/j.artmed.2016.12.002, PMID:28363455

[72] Iwasaki H. Phân tích mạng niềm tin Bayes áp dụng xác định tiến triển rối loạn khớp thái dương hàm qua MRI. Dentomaxillofac Radiol. 2015;44:20140279. https://doi.org/10.1259/dmfr.20140279, PMID:25472616

[73] Nakano Y, Takeshita T, Kamio N, Shiota S, Shibata Y, Suzuki N, et al. Phân loại hơi thở hôi bằng học máy có giám sát dựa trên vi sinh vật nước bọt. Artif Intell Med. 2014;60:97–101. https://doi.org/10.1016/j.artmed.2013.12.001, PMID:24439218

[74] Bas B, Ozgonenel O, Ozden B, Bekcioglu B, Bulut E, Kurt M. Ứng dụng mạng nơ-ron nhân tạo trong phân biệt nhóm phụ của rối loạn nội khớp TMD: nghiên cứu sơ bộ. J Oral Maxillofac Surg. 2012;70:51–9. https://doi.org/10.1016/j.joms.2011.03.069, PMID:21802818

Ekip Bs Nam NTC