האם אסטרטגיות מיון יכולות לשפר דירוג בגרות של חוליות צוואר אוטומטי? מחקר השוואתי

מדוע הזיהוי של שיא הגדילה חשוב

עבור ילדים ומתבגרים שזקוקים לברקסים או לתיקון לסת, תפיסת שיא הגדילה הטבעי של הגוף ברגע הנכון יכולה להפוך את הטיפול לחלק, קצר יותר ויעיל יותר. רופאי שיניים לעתים קרובות מסתכלים על עצמות עמוד השדרה בצילומי רנטגן רגילים של הראש כדי לאמוד עד כמה מתקדמת הגדילה של הנער. אבל בדיקות ויזואליות אלה עשויות להיות לא עקביות, כאשר מומחים שונים נותנים לעתים תשובות שונות. המחקר שואל האם מערכות בינה מלאכותית (AI) שעוצבו בקפידה יכולות לקרוא את צילומי הרנטגן האלה בעקביות גדולה יותר — וכיצד לאמן מערכות כאלה באופן מיטבי.

קריאת הגדילה מתוך עצמות הצוואר

כשהאורתודונטים מתכננים טיפול, הם לא מסתכלים רק על השיניים. הם גם צריכים לדעת כמה גדילה נותרה למטופל. שיטה נפוצה היא לבחון את העצמות הקטנות בצוואר הנקראות חוליות צוואר על צילומי ראיה הצד של הראש. צורתן משתנה במידה עדינה כאשר הילד עובר מגדילה מוקדמת, דרך שיא הגדילה בגיל הבגרות ועד למצבים מאוחרים יותר של ההתבגרות. מערכת מקובלת מחלקת שינוי זה לשש דרגות, אבל ההבדלים בין שלבים סמוכים יכולים להיות כה קלים עד שגם רופאים מנוסים רבים אינם מסכימים. שונות זו מקשה על סטנדרטיזציה של הטיפול ועל תזמון בטוח של התערבויות שתלוי בלכידת שיא הגדילה.

לימוד למחשבים לזהות שינויים צורתיים עדינים

החוקרים אספו 1,750 צילומי רנטגן שגרתיים לאורתודונטיה מבית חולים אחד, המכסים מטופלים בגיל ממוצע של כ-13 שנים. שני אורתודנטים בעלי תעודה העריכו כל תמונה באופן עצמאי והקצו אותה לאחת משש דרגות הגדילה, ולאחר מכן פתרו כל חילוקי דעות יחד כדי ליצור התייחסות מהימנה. מודל ראייה ממוחשבת מצא תחילה וגזר את האזור הקטן בתמונה המכיל שלוש חוליות צוואר. תמונות הגזורות הוזנו לאחר מכן למערכות למידה עמוקה — תוכניות AI מתמחות שלומדות דפוסים ישירות ממספר רב של דוגמאות — כדי לחזות את שלב הגדילה.

האם רמזים מומחים עוזרים או מפריעים?

הצוות השווה שתי גישות אימון עיקריות. באחת מהן ה-AI למד מקצה לקצה: הוא ראה רק את תמונות החוליות הגזורות ולמד ישירות לחזות את שש דרגות הגדילה. בשנייה אומן ה-AI תחילה לזהות נקודות ציון ספציפיות על החוליות — מיקומים מרכזיים לאורך קצותיהן שבהם מומחים אנושיים מסתמכים — ורק לאחר מכן אומן מחדש למיון של שלב הגדילה תוך שימוש במה שלמד על נקודות הציון. להפתעת החוקרים, הגישה הישירה מקצה לקצה הצליחה יותר. היא זיהתה נכונה את קטגוריית שש-השלבים המדויקת בכ-שני שלישים מהמקרים, וכאשר טעתה, הטעות כמעט תמיד הייתה לשלב סמוך. הגרסאות המונחות בנקודות הציון לא השיגו כמותה, אפילו כשהשכבות הפנימיות שלהן הותאמו ביתר פירוט במהלך האימון המחודש.

אימון על פירוט דק להחלטות קליניות רחבות יותר

בפרקטיקה היומיומית, אורתודנטים לעתים קרובות אינם זקוקים לכל שש הדרגות. במקום זאת, הם מתמקדים בשלוש שלבים רחבים יותר: לפני, במהלך ולאחר שיא הגדילה הבוגרתי. לכן החוקרים בחנו האם עדיף לאמן מודל ישירות על שלוש הקבוצות הללו, או לאמן אותו תחילה על סולם שש-השלבים המלא ואז למזג את התוצאות לשלוש. שתי הגישות הגיעו לדייקנות דומה של כ-79 אחוזים בסך הכול, אך המודל שהתחיל באימון מפורט של שש-השלבים שם לב יותר לתכונות החוליה המדויקות שעליהן מסתמכים הקלינאים, כגון תעלות תחתונות והחללת קצוות העצם. מפות ויזואליות של מה שה-AI "התבונן בו" הראו ריכוז חזק יותר על הצורות המשמעותיות הללו, בעוד שהמודל שאומן ישירות על שלוש דרגות פיזר את תשומת ליבו באופן רחב יותר לאזורים פחות רלוונטיים.

מסקנה לגבי טיפול דנטלי עתידי

המחקר מציע כי AI יכול לדרג גדילה מצילומי רנטגן שגרתיים של אורתודונטיה עם שגיאות שמוגבלות בעיקר לשלבים סמוכים, בדומה לחוסר הוודאות הטבעי שמאפיין מומחים אנושיים. הוא גם מראה כי הענקת רמזים אנטומיים מוקדמים למחשב אינה תמיד מועילה ועלולה אף להאט אותו אם אותם רמזים אינם מתאימים למשימה הסופית. לעומת זאת, אימון על שלבי גדילה מפורטים יותר, גם כאשר בקליניקה נחוצות רק קטגוריות רחבות, יכול להניב מודלים שמסתכלים על אותן תכונות שהמומחים האנושיים משתמשים בהן. לטווח הארוך, מערכות מאומנות כהלכה כאלה יכולות לתמוך באורתודנטים בתזמון הטיפול בעקביות ובשקיפות רבה יותר, תוך שימוש טוב יותר בשיא הגדילה של כל מטופל ועדיין השארת ההחלטה הסופית בידי האדם.

ציטוט: Lee, SY., Ryu, J., Kim, YH. et al. Can classification strategies improve automated cervical vertebral maturation staging? A comparative study. Sci Rep 16, 10645 (2026). https://doi.org/10.1038/s41598-026-46004-z

מילות מפתח: בשלות שלדית, גדילה אורתודונטית, למידה עמוקה, בינה מלאכותית בתמונות רפואיות, חוליות צוואר