نهج ذكاء حاسوبي لتصنيف تسوس الأسنان في صور الأشعة باستخدام تجميع غامض متكامل ذي تقليل للخواص ومخطط مصفوفة موزونة

لماذا تهم قدرة أفضل على اكتشاف التجاويف

يعتمد أطباء الأسنان بشكل كبير على صور الأشعة لاكتشاف تسوس الأسنان الذي لا يكون مرئيًا بالعين المجردة. لكن هذه الصور غالبًا ما تكون ذات ضوضاء، أو ضبابية، أو تباين منخفض، مما يجعل من السهل تفويت التجاويف المبكرة. تُقدم هذه الدراسة طريقة حاسوبية جديدة تساعد في تحديد المناطق المتسوسة في صور الأشعة السينية للأسنان بدقة وثبات أكثر. وبذلك يمكن أن تدعم الأطباء في اكتشاف المشكلات مبكرًا، وتخطيط علاجات أفضل، وتحسين الوصول إلى رعاية عالية الجودة في العيادات التي تفتقر إلى أجهزة متطورة.

تحدي قراءة صور الأشعة السينية للأسنان

يؤثر تسوس الأسنان على الأشخاص من جميع الأعمار وقد يؤدي إلى ألم وعدوى وفقدان السن إذا لم يُعالج مبكرًا. تُظهر الأشعة التقليدية لقطة ثنائية الأبعاد مبسطة لهياكل ثلاثية الأبعاد معقدة. يمكن أن تختبئ الآفات الصغيرة خلف أنسجة متداخلة، أو تُطمس بحركة المريض، أو تُغطى بحشوات معدنية. بالإضافة إلى ذلك، لا تزال العديد من المستشفيات—وخاصة في المناطق قليلة الموارد—تعتمد على أجهزة أشعة أساسية تنتج صورًا ذات سطوع غير متساوٍ وضوضاء كبيرة. تجعل هذه العوامل من الصعب، حتى على أطباء الأسنان المتمرسين، التمييز بثبات بين رقعة صغيرة من التسوس المبكر والتباينات الطبيعية في بنية السن.

قيود الأساليب الحالية للذكاء الاصطناعي

في السنوات الأخيرة، لجأ الباحثون إلى الذكاء الاصطناعي لقراءة صور الأسنان. يمكن لأنظمة التعلم العميق أن تحقق أداءً عاليًا، لكنها تأتي مع عوائق كبيرة. فهي عادةً تحتاج إلى آلاف الصور المعنونة بعناية، والتي يجب أن يقوم بتعليمها خبراء الأسنان—وهو إجراء بطيء ومكلف. كما أنها تتطلب حواسيب قوية ومعالجات رسومية لا تتوفر لدى العديد من المستشفيات. وحتى عندما تعمل هذه الأنظمة جيدًا، فإنها غالبًا ما تتصرف كـ«صناديق سوداء»، مقدمة القليل من الشرح حول سبب تصنيف منطقة معينة على أنها متسوسة أو صحية. كما أن الأساليب الحالية تكافح مع الآفات الطفيفة في مراحلها المبكرة ويمكن أن تكون حساسة لاختلافات الماسحات الضوئية وجودة الصور وتركيب المرضى.

طريقة جديدة لإتاحة المجال للبيانات للتحدث

تقترح هذه الدراسة استراتيجية مختلفة تعتمد على شكل محسن من تجميع fuzzy C-means الغامض، وهي تقنية تجمع البكسلات في الصورة حسب التشابه. بدلاً من افتراض أن جميع خواص الصورة متساوية الأهمية، تتعلم الطريقة الجديدة—المسماة FCM-FRWS—بشكل تلقائي أي الخصائص هي الأهم للفصل بين التسوس والنسيج السليم. تُعيّن وزنًا لكل خاصية (مثل السطوع المحلي، النسيج، أو الموقع)، مقلِّلة تدريجيًا من أهمية تلك التي تُضيف ارتباكًا ومؤكِّدة على تلك التي تميِّز التسوس بوضوح. تُزال الخصائص التي تساهم باستمرار بشكل ضئيل تمامًا، مما يقلل الضوضاء ويسرّع العملية. يُدمج هذا التجميع مع خطوات إعداد صورة ذكية: أولًا تُوَحَّد الأشعة إلى مستوى تباين مشترك، ثم تُملَّس لتقليل الضوضاء العشوائية، وأخيرًا تُنقَّى باستخدام عمليات بسيطة قائمة على الشكل بحيث تصبح حدود السن والمناطق المحتملة للتجاويف أسهل للتتبع.

تشديد الرؤية على مناطق التسوس

بعد أن يفصل التجميع الموزون بشكل تقريبي المناطق المحتملة للسن والخلفية والمناطق المشتبهة، تطبق الطريقة أداة كلاسيكية لكنها فعالة تُسمى عتبة Otsu لتقسيم البكسلات بشكل أكثر وضوحًا إلى مجموعتي «آفة» و«غير آفة» بناءً على سطوعها. ثم تُوسِّع خطوة التهيُّؤ المورفولوجي المناطق قليلاً وتربط البقع المبعثرة بحيث تمثل كل رقعة من التسوس منطقة متماسكة واحدة بدلاً من نقاط متناثرة. تم اختبار خط الأنابيب الكامل—المعالجة المسبقة، التجميع الموزون بالخواص، والعتبة المحسنة—على 890 صورة أشعة من مستشفيات في شمال شرق تايلاند، شملت بالغين وأطفالًا. اُستخدمت العلامات المرجعية من خمسة أطباء أسنان ذوي خبرة كمرجع. في المتوسط، صنّف النظام أكثر من 91٪ من البكسلات بشكل صحيح، مع درجات عالية مماثلة للحساسية (اكتشاف التسوس الحقيقي)، والنوعية (تجنب الإنذارات الخاطئة)، وتداخل قوي مع علامات أطباء الأسنان. أظهرت الاختبارات الداخلية عبر مجموعات فرعية مختلفة من البيانات أن الطريقة بقيت مستقرة ولم تكتفِ بحفظ الأمثلة فقط.

كيف يمكن أن يساعد هذا المرضى والعيادات

على عكس العديد من أدوات الذكاء الاصطناعي الحديثة، لا تتطلب هذه المقاربة مجموعة تدريب معنونة كبيرة أو أجهزة متخصصة، وتعمل بكفاءة على حاسوب عادي. وهذا يجعلها جذابة للمستشفيات الصغيرة وعيادات التدريب والممارسات في البيئات قليلة الموارد التي لا تزال تعتمد على أجهزة أشعة قياسية. يمكن أن تعمل الطريقة كقارئ ثانٍ، مميزة مناطق مشتبهة ليقوم الطبيب بمراجعتها، خاصة في مراحل التسوس المبكرة والصعبة الرؤية. وبينما لا تحل هذه الأداة محل الحكم السريري ولا تزال محدودة في حالات الضوضاء العالية أو التعقيد الكبير، تُظهر الدراسة أن الخوارزميات المصممة بعناية وشفافية يمكن أن تحسّن بشكل ملحوظ اكتشاف التجاويف دون متطلبات الحوسبة الثقيلة للتعلم العميق. على المدى الطويل، يمكن دمج مثل هذه الأدوات مباشرة في برامج عرض الأشعة، لتعمل بهدوء في الخلفية وتساعد في ضمان اكتشاف عدد أقل من التجاويف.

الاستشهاد: Wisaeng, K., Muangmeesri, B. A computational intelligence approach for classifying dental caries in X-ray images using integrated fuzzy C-means clustering with feature reduction and a weighted matrix scheme. Sci Rep 16, 5000 (2026). https://doi.org/10.1038/s41598-026-35735-8

الكلمات المفتاحية: تسوس الأسنان, تصوير بالأشعة السينية, تقسيم الصور الطبية, التجميع الغامض, التشخيص بمساعدة الحاسوب