ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ РАННЬОЇ ДІАГНОСТИКИ КАРІЄСУ
DOI:
https://doi.org/10.11603/2311-9624.2026.2.16436Ключові слова:
штучний інтелект, карієс зубів, рання діагностика, цифрова стоматологія, стоматологічні зображення, глибоке навчанняАнотація
Карієс зубів залишається однією з найпоширеніших стоматологічних патологій, а його раннє виявлення є важливою умовою своєчасного застосування профілактичних і малоінвазивних втручань. У зв’язку з розвитком цифрової стоматології зростає інтерес до використання технологій штучного інтелекту для аналізу стоматологічних зображень і підтримки діагностичного процесу.
Мета дослідження – проаналізувати сучасні літературні дані щодо використання штучного інтелекту для раннього виявлення карієсу, визначити його переваги, обмеження та перспективи застосування в клінічній стоматології.
Матеріали та методи. Проведено аналіз сучасних наукових публікацій, індексованих у базах PubMed та Google Scholar. Пошукову стратегію формували на основі клінічних і технологічних блоків ключових слів.
Результати та їх обговорення. За даними сучасних досліджень, інструменти штучного інтелекту демонструють високу діагностичну ефективність у виявленні карієсу, особливо під час аналізу стоматологічних рентгенограм. Найбільш доцільним є їх використання як «другого читача» для підвищення чутливості виявлення ранніх апроксимальних уражень і стандартизації оцінки зображень. Водночас ефективність таких систем залежить від типу карієсу, локалізації ураження, характеристик зображення та особливостей навчальної вибірки. До основних обмежень відноситься ризик хибнонегативних і хибнопозитивних результатів, етичні та правові питання, проблеми конфіденційності даних і висока вартість впровадження.
Висновки. Штучний інтелект є перспективним допоміжним інструментом раннього виявлення карієсу, однак на сучасному етапі не може розглядатися як самостійний засіб встановлення діагнозу і має використовуватися в поєднанні з клінічним досвідом лікаря-стоматолога.
Посилання
Global oral health status report: Towards universal health coverage for oral health by 2030. Geneva : World Health Organization, 2022. 120 p. URL: https://iris.who.int/bitstream/handle/10665/364538/9789240061484-eng.pdf?sequence=1
GBD 2021 Antimicrobial Resistance Collaborators. Global burden of bacterial antimicrobial resistance 1990–2021: a systematic analysis with forecasts to 2050. Lancet. 2024. Vol. 404(10459). P. 1199–1226. DOI: https://doi.org/10.1016/S0140-6736(24)01867-1. DOI: https://doi.org/10.1016/S0140-6736(24)01867-1
GBD 2021 Diseases and Injuries Collaborators. Global incidence, prevalence, years lived with disability (YLDs), disability-adjusted life-years (DALYs), and healthy life expectancy (HALE) for 371 diseases and injuries in 204 countries and territories and 811 subnational locations, 1990–2021: a systematic analysis for the Global Burden of Disease Study 2021. Lancet. 2024. Vol. 403(10440). P. 2133–2161. DOI: https://doi.org/10.1016/S0140-6736(24)00757-8. DOI: https://doi.org/10.1016/S0140-6736(24)00757-8
Wolf T.G., Cagetti M.G., Fisher J.M. et al. Non-communicable diseases and oral health: an overview. Frontiers in Oral Health. 2021. Vol. 2. P. 725460. DOI: https://doi.org/10.3389/froh.2021.725460. DOI: https://doi.org/10.3389/froh.2021.725460
Qadeer S., Walter R., Eyüboğlu T.F. et al. A review on non-invasive management of early carious lesions through modern approaches. Current Oral Health Reports. 2025. Vol. 12. P. 21. DOI: https://doi.org/10.1007/s40496-025-00412-8. DOI: https://doi.org/10.1007/s40496-025-00412-8
de Magalhães A.A., Santos A.T. Advancements in diagnostic methods and imaging technologies in dentistry: a literature review of emerging approaches. Journal of Clinical Medicine. 2025. Vol. 14(4). P. 1277. DOI: https://doi.org/10.3390/jcm14041277. DOI: https://doi.org/10.3390/jcm14041277
Zang X., Luo C., Qiao B., Jin N., Zhao Y., Zhang H. A deep learning model using convolutional neural networks for caries detection and recognition with endoscopes. Annals of Translational Medicine. 2022. Vol. 10(24). P. 1369. DOI: https://doi.org/10.21037/atm-22-5816. DOI: https://doi.org/10.21037/atm-22-5816
Najeeb M., Islam S. Artificial intelligence (AI) in restorative dentistry: current trends and future prospects. BMC Oral Health. 2025. Vol. 25(1). P. 592. DOI: https://doi.org/10.1186/s12903-025-05989-1. DOI: https://doi.org/10.1186/s12903-025-05989-1
Luke A.M., Rezallah N.N.F. Accuracy of artificial intelligence in caries detection: a systematic review and meta-analysis. Head & Face Medicine. 2025. Vol. 21(1). P. 24. DOI: https://doi.org/10.1186/s13005-025-00496-8. DOI: https://doi.org/10.1186/s13005-025-00496-8
Zhang J.W., Fan J., Zhao F.B. et al. Diagnostic accuracy of artificial intelligence-assisted caries detection: a clinical evaluation. BMC Oral Health. 2024. Vol. 24(1). P. 1095. DOI: https://doi.org/10.1186/s12903-024-04847-w. DOI: https://doi.org/10.1186/s12903-024-04847-w
Al-Khalifa K.S., Ahmed W.M., Azhari A.A. et al. The use of artificial intelligence in caries detection: a review. Bioengineering. 2024. Vol. 11(9). P. 936. DOI: https://doi.org/10.3390/bioengineering11090936. DOI: https://doi.org/10.3390/bioengineering11090936
Lam Q.T., Le M.H.N., Fan F.Y. et al. Deep learning-based dental caries diagnosis: a modality-stratified systematic review and meta-analysis of Faster R-CNN and Mask R-CNN. Diagnostics. 2026. Vol. 16(5). P. 731. DOI: https://doi.org/10.3390/diagnostics16050731. DOI: https://doi.org/10.3390/diagnostics16050731
Devlin H., Williams T., Graham J. et al. The ADEPT study: a comparative study of dentists' ability to detect enamel-only proximal caries in bitewing radiographs with and without the use of AssistDent artificial intelligence software. British Dental Journal. 2021. Vol. 231. P. 481–485. DOI: https://doi.org/10.1038/s41415-021-3526-6. DOI: https://doi.org/10.1038/s41415-021-3526-6
Fiegler-Rudol J., Lau K., Mroczek A., Kasperczyk J. Exploring human-AI dynamics in enhancing workplace health and safety: a narrative review. International Journal of Environmental Research and Public Health. 2025. Vol. 22(2). P. 199. DOI: https://doi.org/10.3390/ijerph22020199. DOI: https://doi.org/10.3390/ijerph22020199
Kurt Bayrakdar S., Orhan K., Bayrakdar I.S. et al. A deep learning approach for dental implant planning in cone-beam computed tomography images. BMC Medical Imaging. 2021. Vol. 21(1). P. 86. DOI: https://doi.org/10.1186/s12880-021-00618-z. DOI: https://doi.org/10.1186/s12880-021-00618-z
Hegde S., Gao J., Cox S., Nanayakkara S., Logothetis R., Vasa R. Machine learning algorithms enhance the accuracy of radiographic diagnosis of dental caries: a comparative study. Dentomaxillofacial Radiology. 2025. Vol. 54(8). P. 632–641. DOI: https://doi.org/10.1093/dmfr/twaf053. DOI: https://doi.org/10.1093/dmfr/twaf053
Meléndez Rojas P., Jamett Rojas J., Villalobos Dellafiori M.F. et al. The current landscape of automatic radiology report generation with deep learning: a scoping review. AI. 2025. Vol. 7(1). P. 8. DOI: https://doi.org/10.3390/ai7010008. DOI: https://doi.org/10.3390/ai7010008
Carvalho B.K.G., Nolden E.L., Wenning A.S. et al. Diagnostic accuracy of artificial intelligence for approximal caries on bitewing radiographs: a systematic review and meta-analysis. Journal of Dentistry. 2024. Vol. 151. P. 105388. DOI: https://doi.org/10.1016/j.jdent.2024.105388. DOI: https://doi.org/10.1016/j.jdent.2024.105388
El Khoury N., Hadid D., El-Outa A. Exploring the ethical landscape of artificial intelligence in dentistry: insights from a cross-sectional study. Cureus. 2025. Vol. 17(4). P. e82667. DOI: https://doi.org/10.7759/cureus.82667. DOI: https://doi.org/10.7759/cureus.82667
Ramnarayan B.K., Luke A.M., Vidya M.A., Shetty K.P. Artificial intelligence-driven dentistry: a systematic review of ethical and legal challenges. International Journal of Dentistry. 2026. Vol. 2026. P. 1870800. DOI: https://doi.org/10.1155/ijod/1870800. DOI: https://doi.org/10.1155/ijod/1870800
Gonzalez-Valenzuela R.E., Mettes P., Loos B.G., Marquering H., Berkhout E. Accuracy of deep learning-based AI models for early caries lesion detection: the influence of annotation quality and reference choice. Clinical Oral Investigations. 2025. Vol. 29(12). P. 598. DOI: https://doi.org/10.1007/s00784-025-06672-z. DOI: https://doi.org/10.1007/s00784-025-06672-z
Keskin N.B., Güneç H.G., Uslu G., Tezer E.O. Using artificial intelligence in the evaluation of periapical, caries, and restoration status: a new methodological and technological study. BMC Medical Imaging. 2025. Vol. 25(1). P. 466. DOI: https://doi.org/10.1186/s12880-025-02019-y. DOI: https://doi.org/10.1186/s12880-025-02019-y
Caldwell J., Parekh K., Crowther B. et al. Performance evaluation of AI-based caries detection technology and its educational training module: a dual-phase investigation. Frontiers in Dental Medicine. 2026. Vol. 6. P. 1741855. DOI: https://doi.org/10.3389/fdmed.2025.1741855. DOI: https://doi.org/10.3389/fdmed.2025.1741855
Arzani S., Karimi A., Iranmanesh P. et al. Examining the diagnostic accuracy of artificial intelligence for detecting dental caries across a range of imaging modalities: an umbrella review with meta-analysis. PLoS One. 2025. Vol. 20(8). P. e0329986. DOI: https://doi.org/10.1371/journal.pone.0329986. DOI: https://doi.org/10.1371/journal.pone.0329986
Lai J., Guo S., Wang K. et al. Artificial intelligence for binary dental caries diagnosis using intraoral images and dental radiographs: a systematic review and meta-analysis. BMC Oral Health. 2026. Vol. 26(1). P. 437. DOI: https://doi.org/10.1186/s12903-026-07770-4. DOI: https://doi.org/10.1186/s12903-026-07770-4
Ammar N., Kühnisch J. Diagnostic performance of artificial intelligence-aided caries detection on bitewing radiographs: a systematic review and meta-analysis. Japanese Dental Science Review. 2024. Vol. 60. P. 128–136. DOI: https://doi.org/10.1016/j.jdsr.2024.02.001. DOI: https://doi.org/10.1016/j.jdsr.2024.02.001
Lal A., Nooruddin A., Umer F. Concerns regarding deployment of AI-based applications in dentistry - a review. BDJ Open. 2025. Vol. 11(1). P. 27. DOI: https://doi.org/10.1038/s41405-025-00319-7. DOI: https://doi.org/10.1038/s41405-025-00319-7
Ndiaye A.D., Gasqui M.A., Millioz F. et al. Exploring the methodological approaches of studies on radiographic databases used in cariology to feed artificial intelligence: a systematic review. Caries Research. 2024. Vol. 58(3). P. 117–140. DOI: https://doi.org/10.1159/000536277. DOI: https://doi.org/10.1159/000536277
Keenan J.R., Keenan A.V. Accuracy of dental radiographs for caries detection. Evidence-Based Dentistry.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
