هوش مصنوعی رادیولوژی دندان، به‌ویژه یادگیری عمیق مبتنی بر شبکههای عصبی کانولوشنی (CNN)، در تشخیص پوسیدگی، ضایعات پریاپیکال، تحلیل استخوان پریودنتال، طبقه‌بندی کیست و تومور، سفالومتری، غربالگری استئوپروز و شناسایی ایمپلنت نتایج امیدوارکننده‌ای نشان داده است. با این حال، بیشتر شواهد گذشتهنگر، مبتنی بر داده‌های کوچک یا همگن و فاقد اعتبارسنجی خارجی است؛ بنابراین این ابزارها در جایگاه کمکتشخیصی و تحت نظارت متخصص قرار دارند.
- بر اساس مرور Putra و همکاران، ۵۹ درصد مطالعات هوش مصنوعی در دندانپزشکی از یادگیری عمیق و ۲۶ درصد از یادگیری ماشین استفاده کردهاند.
- در مرور چتری Negi و همکاران، دقت تشخیص پوسیدگی از ۶۵٫۷ تا ۹۹٫۱ درصد متغیر بود؛ پریاپیکال و پانورامیک بالاترین دقت را داشتند.
- در CBCT، حساسیت مدلها برای ضایعات پریاپیکال ۶۷٫۳ تا ۹۷٫۱ درصد و AUC تا ۰٫۹۸ گزارش شد.
- محدودیت‌های اصلی: داده کم یا نامتوازن، مرجع استاندارد مبهم، گزارشدهی غیراستاندارد و نبود اعتبارسنجی خارجی.
- استفاده ایمن یعنی نقش کمکتشخیصی، نظارت رادیولوژیست و ملاحظات اخلاقی در پذیرش محتاطانه.
این مقاله، هوش مصنوعی رادیولوژی دندان و فک را از منظر شواهد علمی و نیازهای رادیولوژیست دهان، فک و صورت مرور می‌کند: کجا به کار رفته، چه دقتی گزارش شده و چه محدودیت‌هایی پیش از ورود به روال بالینی باید شناخته شود. ورودی این الگوریتم‌ها تصاویر دیجیتالی است که با آشکارسازهای معرفی‌شده در مقاله آشکارسازهای دیجیتال داخل دهانی یا دستگاه‌های CBCT تولید و با استاندارد DICOM مبادله میشوند. مبنای متن، مرور Putra و همکاران در Dentomaxillofacial Radiology، مرور چتری Negi و همکاران و مرور دامنهای Karobari و همکاران در Oral Radiology است.
هوش مصنوعی رادیولوژی دندان و روش‌های آن
در رادیولوژی دهان و فک، هوش مصنوعی به الگوریتم‌هایی گفته می‌شود که الگوهای تصویری را برای تشخیص، طبقه‌بندی، سگمنتیشن یا اندازه‌گیری به‌طور خودکار یاد میگیرند. دو گروه اصلی آن، یادگیری ماشین با ویژگیهای مهندسی‌شده و یادگیری عمیق با شبکههای عصبی کانولوشنی (CNN) است. به گزارش Putra و همکاران، یادگیری عمیق پرکاربردترین روش در تشخیص تصویری دندانپزشکی است.
طبق داده‌ای که Putra و همکاران نقل کردهاند، ۵۹ درصد مطالعات از یادگیری عمیق و ۲۶ درصد از روش‌های یادگیری ماشین استفاده کردهاند و بقیه از سایر روش‌های بینایی ماشین بهره برده‌اند. نقطه عطف این روند، موفقیت معماری AlexNet در سال ۲۰۱۲ در وظایف تشخیص تصویر بود. معماری‌هایی مانند U-Net برای سگمنتیشن، YOLO برای تشخیص شیء و R-CNN برای یافتن لندمارک‌ها از پرکاربردترین مدلها در هوش مصنوعی رادیولوژی دندان هستند.
رادیوگرافی دندان؛ بستر مناسب هوش مصنوعی
رادیوگرافی دندان در عمل روزمره بسیار رایج است و به همین دلیل منبع داده‌ای غنی برای توسعه الگوریتم‌ها فراهم می‌کند؛ نکته‌ای که Putra و همکاران صراحتاً بر آن تأکید کردهاند. استانداردسازی نسبی نماها، دیجیتال بودن تصاویر و تکرارپذیری وظایف تشخیصی مانند تشخیص پوسیدگی بین‌دندانی یا شناسایی لندمارک‌های سفالومتری، این حوزه را برای یادگیری نظارت‌شده مناسب کرده است.
با این حال، همین فراوانی داده میتواند گمراه‌کننده باشد: تصاویر روزمره اغلب برچسب استاندارد ندارند و کیفیت برچسب‌گذاری، یعنی مرجعی که مدل از آن یاد می‌گیرد، تعیین‌کننده سقف عملکرد مدل است. Putra و همکاران گزارش می‌کنند که برخی مطالعات دلیل انتخاب مرجع استاندارد و خطاها، سوگیری‌ها و محدودیت‌های احتمالی آن را توضیح نداده‌اند.
کاربردهای هوش مصنوعی در رادیولوژی دهان و فک
مرور Putra و همکاران کاربردهای هوش مصنوعی در رادیوگرافی دندان را در هشت گروه دسته‌بندی کرد: تشخیص پوسیدگی، ضایعات پریاپیکال و تحلیل استخوان پریودنتال؛ طبقه‌بندی کیست و تومور؛ آنالیز سفالومتری؛ غربالگری استئوپروز؛ شناسایی دندان و دندانپزشکی قانونی؛ شناسایی سیستم ایمپلنت؛ و بهبود کیفیت تصویر. بیشتر این مطالعات پتانسیل بالایی نشان دادند، اما هنوز برای ورود به روال بالینی توسعه بیشتری لازم است.
جدول زیر، برای هر کاربرد، نوع تصویر ورودی و نمونه‌ای از نتایج گزارش‌شده در مرور Putra و همکاران را نشان میدهد:
| کاربرد | تصویر ورودی | نمونه نتایج گزارش‌شده |
|---|---|---|
| پوسیدگی | بایت‌وینگ، پریاپیکال | بهبود ۳۹٫۴ درصدی تشخیص پوسیدگی بین‌دندانی با شبکه پرسپترون چندلایه؛ دقت ۸۶ تا ۹۷ درصد در طبقه‌بندی با روش‌های یادگیری ماشین |
| ضایعات پریاپیکال | پانورامیک، CBCT | سگمنتیشن و تشخیص خودکار با U-Net؛ افتراق گرانولوما و کیست رادیکولار در CBCT |
| تحلیل استخوان پریودنتال | پریاپیکال، پانورامیک | هدف: جبران پایایی پایین درون و بین‌مشاهده‌گر در ارزیابی دستی |
| سفالومتری | سفالوگرام جانبی | تشخیص خودکار لندمارک با CNN و R-CNN؛ سیستم چندوجهی با ۵۸۹۰ سفالوگرام |
| استئوپروز | پانورامیک | AUC بین ۸۶ تا ۹۹ درصد برای معماری‌های CNN |
| شناسایی ایمپلنت | پانورامیک، پریاپیکال | دقت بیش از ۹۰ درصد در طبقه‌بندی چهار سیستم ایمپلنت |
| تخمین سن | پانورامیک | بهترین دقت مرحله‌بندی مولر سوم ۶۱ درصد |
منبع: Putra و همکاران، ۲۰۲۲
دقت تشخیص پوسیدگی
مرور چتری Negi و همکاران از ۱۲۴۹ رکورد، هفت مرور سیستماتیک را وارد کرد. دقت مدل‌های تشخیص پوسیدگی از ۶۵٫۷ درصد برای RetinaNet تا ۹۹٫۱ درصد برای VGG-16 متغیر بود. رادیوگرافی پریاپیکال با ۸۲ تا ۹۹٫۲ درصد و پانورامیک با ۸۶٫۱ تا ۹۶٫۱ درصد بالاترین دقت را داشتند و ترانس‌ایلومیناسیون نزدیک فروسرخ با ۶۸ تا ۷۸ درصد کمترین دقت را نشان داد.
Negi و همکاران همچنین گزارش کردند که مدل‌های CNN سفارشی بالاترین ویژگی (۸۱ تا ۱۰۰ درصد) را داشتند و خطر سوگیری مرورهای واردشده در مجموع پایین بود. با این حال، دامنه بسیار وسیع این اعداد نشان میدهد که عملکرد به داده، معماری، تعریف وظیفه و مرجع استاندارد وابسته است و نمی‌توان یک «دقت واحد» برای هوش مصنوعی پوسیدگی اعلام کرد. تشخیص رادیوگرافیک پوسیدگی نیز به کیفیت گیرنده تصویر، مانند سنسور RVG برند DEXIS یا سایر سنسورهای RVG، وابسته است.
“AI models, especially convolutional neural network (CNN)-based models, have an enormous amount of potential for accurate, objective dental caries diagnosis and detection. However, ethical considerations and cautious adoption remain critical to its successful integration into routine practice.”
ترجمه: «مدل‌های هوش مصنوعی، به‌ویژه مدل‌های مبتنی بر شبکه عصبی کانولوشنی، پتانسیل بسیار زیادی برای تشخیص دقیق و عینی پوسیدگی دارند. با این حال، ملاحظات اخلاقی و پذیرش محتاطانه برای ادغام موفق آن در روال بالینی همچنان حیاتی است.»
— Negi و همکاران، Clinical and Experimental Dental Research
ضایعات پریاپیکال در CBCT
مرور دامنهای Karobari و همکاران روی مطالعات ۲۰۱۰ تا ۲۰۲۵ نشان داد مدل‌های مبتنی بر CNN، از جمله U-Net، DenseNet، معماری‌های سفارشی مانند PAL-Net و نرم‌افزارهای تجاری، در تشخیص، طبقه‌بندی و سگمنتیشن ضایعات پریاپیکال روی CBCT حساسیت ۶۷٫۳ تا ۹۷٫۱ درصد و AUC تا ۰٫۹۸ داشتند. نویسندگان کاهش زمان تشخیص، افزایش ثبات و کمک به اپراتورهای کم‌تجربه‌تر را از مزایای بالقوه برشمردند.
اما همین مرور تأکید می‌کند که بیشتر مطالعات گذشتهنگر بودند، داده‌های کوچک یا همگن داشتند و فاقد اعتبارسنجی خارجی یا مقایسه با مرجع استاندارد مانند هم‌بستگی بافتشناسی بودند. جایگاه CBCT در اندودانتیکس و محدودیت‌های تشخیصی آن در مقاله تصویربرداری اندودانتیکس مرور شده است؛ آرتیفکت‌های مواد پرکردگی کانال، که در مقاله آرتیفکت CBCT بررسی شده، می‌توانند عملکرد الگوریتم را نیز تحت تأثیر قرار دهند.
“While several studies demonstrated high diagnostic accuracy and potential for clinical decision support, the majority were retrospective, used small or homogenous datasets, and lacked external validation or standard ground truth comparisons.”
ترجمه: «اگرچه چندین مطالعه دقت تشخیصی بالا و پتانسیل پشتیبانی از تصمیم بالینی را نشان دادند، بیشتر آن‌ها گذشتهنگر بودند، از داده‌های کوچک یا همگن استفاده کردند و فاقد اعتبارسنجی خارجی یا مقایسه با مرجع استاندارد بودند.»
— Karobari و همکاران، Oral Radiology
محدودیت‌های هوش مصنوعی رادیولوژی دندان
محدودیت‌های اصلی در سه سطح قرار میگیرند: داده، روش‌شناسی و ترجمان بالینی. در سطح داده، حجم ناکافی و عدم توازن کلاس‌ها خطر نتایج منفی کاذب را بالا می‌برد. در سطح روش‌شناسی، گزارشدهی غیراستاندارد و ابهام مرجع استاندارد، مقایسه مطالعات را دشوار می‌کند. در سطح بالینی نیز نبود اعتبارسنجی خارجی و مطالعات آینده‌نگر، تعمیم‌پذیری را نامشخص باقی می‌گذارد.
Putra و همکاران توضیح می‌دهند که حتی اگر حجم نمونه از نظر آماری کافی باشد، مدل بسته به کیفیت و کمیت داده ممکن است دچار بیش‌برازش (overfitting) یا کم‌برازش شود و عدم توازن داده‌های هر کلاس باید پرهیز شود تا نتایج منفی کاذب زیاد نشود. مهم‌ترین محدودیت‌های هوش مصنوعی رادیولوژی دندان را می‌توان این‌گونه فهرست کرد:
- حجم و توازن داده: نبود توجیه حجم نمونه و عدم توازن کلاس‌ها، به‌ویژه برای ضایعات کم‌شیوع.
- مرجع استاندارد: برچسب‌گذاری بر پایه نظر یک یا چند مشاهده‌گر، بدون هم‌بستگی بافتشناسی یا بالینی.
- گزارشدهی: قالب‌های غیراستاندارد که مقایسه حساسیت، ویژگی و AUC را میان مطالعات دشوار می‌کند.
- تعمیم‌پذیری: داده تک‌مرکزی و تک‌دستگاهی؛ تغییر پروتکل، آشکارساز یا جمعیت میتواند عملکرد را کاهش دهد.
- طراحی مطالعه: غلبه مطالعات گذشتهنگر و کمبود شواهد درباره اثر واقعی بر تصمیم و پیامد درمان.
- اخلاق و مسئولیت: شفافیت، حریم داده بیمار و مسئولیت نهایی تشخیص.
“Although most of the reviewed studies demonstrated a great potential of AI application for dental radiography, further development is still needed before implementation in clinical routine due to several challenges and limitations, such as lack of datasets size justification and unstandardized reporting format.”
ترجمه: «اگرچه بیشتر مطالعات مرورشده پتانسیل زیادی برای کاربرد هوش مصنوعی در رادیوگرافی دندان نشان دادند، به دلیل چالش‌ها و محدودیت‌هایی مانند نبود توجیه حجم داده و قالب گزارشدهی غیراستاندارد، پیش از ورود به روال بالینی توسعه بیشتری لازم است.»
— Putra و همکاران، Dentomaxillofacial Radiology
ضرورت اعتبارسنجی خارجی
مدلی که روی داده یک مرکز، یک دستگاه و یک جمعیت آموزش دیده، ممکن است ویژگیهای غیرمرتبط با بیماری، مانند نویز خاص آشکارساز یا پروتکل اکسپوژر، را یاد بگیرد. اعتبارسنجی خارجی با داده مستقل از مراکز و دستگاه‌های دیگر نشان میدهد آیا عملکرد گزارش‌شده قابل تعمیم است. Karobari و همکاران اعتبارسنجی آینده‌نگر، کالیبراسیون مدل و مطالعات کاربرد واقعی را برای اثبات پایایی ضروری می‌دانند.
در رادیولوژی دهان و فک، تنوع زیاد دستگاه‌ها و پروتکل‌ها این موضوع را حادتر می‌کند. مرور Fontenele و همکاران روی ۸۷ دستگاه CBCT تجاری از ۳۴ سازنده نشان داد پارامترهای اکسپوژر و بازسازی میان دستگاه‌ها بسیار متفاوت است و ولتاژ لوله از ۵۰ تا ۱۲۰ کیلوولت متغیر است؛ بنابراین مدلی که روی یک دستگاه خوب کار می‌کند، لزوماً روی دستگاه دیگر همان نتیجه را نمی‌دهد. مبانی فنی این تفاوت‌ها در مقاله مشخصات فنی CBCT آمده است.
هوش مصنوعی در گردش کار بالینی
در عمل امروز، هوش مصنوعی بیش از آنکه جایگزین تفسیر شود، در دو لایه وارد گردش کار شده است: خودکارسازی مراحل تکراری مانند آماده‌سازی حجم، جهت‌دهی و سگمنتیشن، و پیشنهاد یافته‌ها برای بازبینی متخصص. مسئولیت نهایی تشخیص با تفسیرکننده باقی می‌ماند و خروجی الگوریتم باید مانند هر ابزار کمکی، با شرایط بالینی و کل حجم تصویر سنجیده شود.
برای نمونه، سازنده خانواده DEXIS OP 3D EX اعلام می‌کند نرم‌افزار DTX Studio Clinic پس از اسکن، به‌طور خودکار آماده‌سازی پرونده، تعیین ناحیه کانونی پانورامیک، موقعیت‌یابی سه‌بعدی دندان، نشانه‌گذاری کانال عصب مندیبل، اصلاح موقعیت بیمار و ادغام CBCT با اسکن داخل دهانی را انجام میدهد. این قابلیت‌ها در دستگاه‌های CBCT مدل OP 3D برند DEXIS و سایر دستگاه‌های دسته CBCT جنبه گردش کار دارند و ادعای تشخیصی مستقل محسوب نمی‌شوند.
نقش‌های متفاوت هوش مصنوعی در گردش کار و سطح نظارت لازم برای هر یک در جدول زیر مقایسه شده است:
| نقش | نمونه | خطر اصلی | نظارت لازم |
|---|---|---|---|
| خودکارسازی گردش کار | جهت‌دهی حجم، ناحیه کانونی پانورامیک، ادغام داده‌ها | خطای هندسی یا قرارگیری | بازبینی بصری پیش از برنامه‌ریزی درمان |
| سگمنتیشن و اندازه‌گیری | سگمنتیشن دندان، نشانه‌گذاری کانال مندیبل، لندمارک سفالومتری | خطای اندازه‌گیری در نواحی پرآرتیفکت | تأیید دستی در نواحی حیاتی |
| پیشنهاد یافته | پوسیدگی، ضایعه پریاپیکال، تحلیل استخوان | مثبت یا منفی کاذب | تفسیر مستقل متخصص و هم‌بستگی بالینی |
| غربالگری فرصت‌طلبانه | نشانگرهای استئوپروز در پانورامیک | برچسب‌گذاری نابجای بیمار | ارجاع بر پایه پروتکل بالینی مشخص |
جمع‌بندی بر پایه Putra ۲۰۲۲، Karobari ۲۰۲۶ و مستندات DEXIS
اثر بر دوز و تعداد تصاویر
یکی از گروه‌های کاربردی در مرور Putra و همکاران، بهبود کیفیت تصویر است؛ هدفی که در صورت اثبات بالینی میتواند به کاهش نیاز به تکرار تصویر یا استفاده از پروتکل‌های کم‌دوزتر کمک کند. با این حال، هیچ الگوریتمی جایگزین اصل توجیه نمی‌شود: تصمیم برای گرفتن یا نگرفتن تصویر، پیش از اکسپوژر و بر پایه پرسش بالینی گرفته می‌شود.
بنابراین ورود هوش مصنوعی رادیولوژی دندان به بخش تصویربرداری باید در کنار اصول حفاظت پرتویی دیده شود؛ اصولی که در مقاله توجیه تصویربرداری و ICRP 113 مرور شده است. ICRP 129 نیز بر آموزش متناسب کاربران CBCT تأکید دارد؛ آموزشی که امروز باید شناخت قابلیت‌ها و خطاهای ابزارهای خودکار را نیز در بر گیرد. اصول فیزیکی تصویر خام، که ورودی هر الگوریتم است، در مقاله فیزیک CBCT آمده است.
پرسش‌های متداول
هوش مصنوعی رادیولوژی دندان بیشتر در چه زمینه‌هایی استفاده می‌شود؟
بر اساس مرور Putra و همکاران، کاربردها شامل تشخیص پوسیدگی، ضایعات پریاپیکال و تحلیل استخوان پریودنتال، طبقه‌بندی کیست و تومور، آنالیز سفالومتری، غربالگری استئوپروز، شناسایی دندان و ایمپلنت و بهبود کیفیت تصویر است.
دقت هوش مصنوعی در تشخیص پوسیدگی چقدر است؟
در مرور چتری Negi و همکاران، دقت مدلها از ۶۵٫۷ تا ۹۹٫۱ درصد متغیر بود. رادیوگرافی پریاپیکال و پانورامیک بالاترین دقت را داشتند. این دامنه وسیع نشان میدهد عملکرد به داده، مدل و مرجع استاندارد وابسته است.
آیا هوش مصنوعی میتواند جای رادیولوژیست را بگیرد؟
شواهد فعلی چنین نتیجهای را پشتیبانی نمیکند. بیشتر مطالعات گذشتهنگر و بدون اعتبارسنجی خارجیاند و مرورها بر توسعه بیشتر، گزارشدهی استاندارد و پذیرش محتاطانه تأکید دارند. جایگاه فعلی این ابزارها کمکتشخیصی و تحت نظارت متخصص است.
عملکرد هوش مصنوعی در CBCT اندودانتیک چگونه است؟
در مرور دامنهای Karobari و همکاران، حساسیت مدلها برای ضایعات پریاپیکال ۶۷٫۳ تا ۹۷٫۱ درصد و AUC تا ۰٫۹۸ گزارش شد، اما بیشتر مطالعات گذشتهنگر، با داده کوچک یا همگن و بدون مرجع بافتشناسی بودند.
مهم‌ترین محدودیت مطالعات هوش مصنوعی دندانپزشکی چیست؟
حجم و توازن ناکافی داده، ابهام در مرجع استاندارد، قالب گزارشدهی غیراستاندارد و نبود اعتبارسنجی خارجی و آینده‌نگر مهم‌ترین محدودیت‌ها هستند که تعمیم نتایج به سایر مراکز و دستگاه‌ها را دشوار می‌کنند.
یادگیری عمیق چه تفاوتی با یادگیری ماشین دارد؟
در یادگیری ماشین کلاسیک، ویژگیهای تصویر معمولاً بهصورت دستی مهندسی میشوند؛ در یادگیری عمیق، شبکههای عصبی کانولوشنی ویژگیها را مستقیماً از داده یاد میگیرند. طبق داده نقلشده در مرور Putra، ۵۹ درصد مطالعات دندانپزشکی از یادگیری عمیق استفاده کردهاند.
جمع‌بندی
هوش مصنوعی رادیولوژی دندان و فک در چند سال اخیر از مرحله اثبات مفهوم به مرحله ابزارهای کمکی در نرم‌افزارهای تجاری رسیده است. شواهد مرورهای سیستماتیک و دامنهای، دقت بالایی را در تشخیص پوسیدگی، ضایعات پریاپیکال و وظایف اندازه‌گیری نشان میدهد، اما دامنه وسیع نتایج، غلبه مطالعات گذشتهنگر، داده‌های محدود و نبود اعتبارسنجی خارجی، احتیاط را ضروری می‌کند. برای رادیولوژیست دهان و فک، رویکرد علمی یعنی شناخت معماری و داده آموزشی ابزار، مطالبه شواهد اعتبارسنجی مستقل، بازبینی خروجی‌ها و حفظ مسئولیت نهایی تفسیر.
مهم‌ترین پیام‌های این مقاله را می‌توان در محورهای زیر خلاصه کرد:
| محور | نکته کلیدی |
|---|---|
| روش‌ها | یادگیری عمیق و CNN، از جمله U-Net و YOLO، پرکاربردترین روش‌ها هستند. |
| کاربردها | پوسیدگی، ضایعات پریاپیکال، پریودنتال، کیست و تومور، سفالومتری، استئوپروز، ایمپلنت و کیفیت تصویر. |
| دقت پوسیدگی | ۶۵٫۷ تا ۹۹٫۱ درصد؛ بالاترین در پریاپیکال و پانورامیک. |
| CBCT اندو | حساسیت ۶۷٫۳ تا ۹۷٫۱ درصد و AUC تا ۰٫۹۸. |
| محدودیت‌ها | داده کم یا نامتوازن، مرجع مبهم، گزارش غیراستاندارد، نبود اعتبارسنجی خارجی. |
| کاربرد ایمن | نقش کمکتشخیصی، بازبینی متخصص و پذیرش محتاطانه و اخلاقی. |
منابع
- Putra RH, Doi C, Yoda N, Astuti ER, Sasaki K. Current applications and development of artificial intelligence for digital dental radiography. Dentomaxillofac Radiol. 2022;51(1):20210197. doi:10.1259/dmfr.20210197
- Negi S, Mathur A, Tripathy S, Mehta V, Snigdha NT, Adil AH, Karobari MI. Artificial Intelligence in Dental Caries Diagnosis and Detection: An Umbrella Review. Clin Exp Dent Res. 2024;10(4):e70004. doi:10.1002/cre2.70004
- Karobari MI, Adil AH, Mathur A, Snigdha NT. Applications and clinical translation of artificial intelligence in CBCT-based detection of endodontic lesions: a scoping review. Oral Radiol. 2026;42(2):251-261. doi:10.1007/s11282-025-00876-5
- Fontenele RC, Gaêta-Araujo H, Jacobs R. Cone beam computed tomography in dentistry: Clinical recommendations and indication-specific features. J Dent. 2025;159:105781. doi:10.1016/j.jdent.2025.105781
- DEXIS. ORTHOPANTOMOGRAPH OP 3D EX — product page, FOV options and technical specifications. dexis.com. dexis.com — OP 3D EX
- ICRP; Rehani MM, Gupta R, Bartling S, et al. Radiological Protection in Cone Beam Computed Tomography (CBCT). ICRP Publication 129. Ann ICRP. 2015;44(1):9-127. doi:10.1177/0146645315575485
- U.S. Air Force photo by Senior Airman Jessica Blair. 31st DS maintains mission readiness (image 6609280). Public domain, via Wikimedia Commons. commons.wikimedia.org
این مقاله توسط تیم تحریریه علمی چاوش طب آذین تهیه شده است؛ تیمی که محتوای دانشنامه تخصصی رادیولوژی دهان، فک و صورت را بر پایه مقالات داوری‌شده، گایدلاین‌های بین‌المللی و مستندات فنی سازندگان تدوین و به‌روزرسانی می‌کند. چاوش طب آذین از سال ۲۰۱۴ در حوزه خدمات و تجهیزات تصویربرداری دندانپزشکی فعالیت دارد (درباره ما). سایر مقالات این دانشنامه در وبلاگ چاوش طب آذین در دسترس است. این محتوا جنبه آموزشی دارد و جایگزین قضاوت بالینی متخصص نیست.
آخرین به‌روزرسانی:
نسخه PDF مقاله
نسخه کامل این مقاله با عنوان «هوش مصنوعی رادیولوژی دندان و فک: کاربردها و محدودیت‌ها» را می‌توانید بهصورت PDF مشاهده یا دریافت کنید.
دیدگاهتان را بنویسید
برای نوشتن دیدگاه باید وارد بشوید.