זיהוי דלקת סינוסים מקסילרית ממקור אנדודונטי בתמונות CBCT באמצעות אלגוריתמי למידה עמוקה

כשבעיות שיניים מגיעות לסינוסים

גודש אף חוזר או לחץ בפנים נשענים לעתים קרובות על אלרגיות או הצטננות, אך חלק ניכר מהבעיות בסינוסים מתחיל למעשה בשיניים אחוריות נגועות. מחקר זה בוחן כיצד בינה מלאכותית יכולה לקרוא סריקות שיניים תלת־ממדיות כדי לזהות מתי דלקת סינוסים קשורה לזיהום בשורשי השיניים, ובכך לסייע לרופאים ולשינאים להגיע לסיבת הבעיה במהירות ובביטחון גבוהים יותר.

מדוע הבעיות בסינוס קשורות לשיניים

סינוסים מקסילריים יושבים ממש מעל השיניים האחוריות העליונות, מופרדים לעתים רק בשכבת עצם דקה. כשהרקמה הרירית בסינוסים מתנפחת או מתעבה, אנשים עלולים לסבול מנזלת כרונית, כאב או תחושת מלאות בלחי. במקרים רבים זיהום דנטלי בקצה שורש השן מעורר את רירית הסינוס הסמוכה, אך התסמינים עלולים להרגיש כמו בעיית סינוס שגרתית והפה יכול להיראות שקט. זה מקשה, אפילו על קלינאים מנוסים, לקבוע האם דלקת הסינוס נגרמת ממחלה דנטלית, מסיבות סינוס אחרות, או שהסינוס תקין למעשה.

כיצד סריקות שיניים תלת־ממדיות מעניקות תמונה ברורה יותר

טומוגרפיית קרן קונוס, CBCT, היא סריקת שיניים תלת־ממדית שמציגה גם עצם וגם רקמות רכות בפרטים עדינים ובמינון קרינה נמוך יחסית. היא יכולה לחשוף שינויים עדינים סביב שורשי השיניים ובדופן הרירית של הסינוס שנעלמים ב‑CT רפואי סטנדרטי או בצילומי רנטגן שטוחים. במחקר זה, החוקרים אספו 70 סריקות CBCT משתי מרפאות אנדודונטיות ובחרו בכובד ראש יותר מ‑5,000 חתכים דו־ממדיים משלוש זוויות צפייה: מלמעלה (אקסיאלי), מלפנים (קורונלי) ומצד (סגיטלי). רופאי שיניים מומחים ורדיולוג פה ולסת סקרו כל סריקה והסכימו על אילו תמונות מציגות סינוס תקין, אילו מציגות דלקת סינוס הקשורה לשורש שן נגוע, ואילו מציגות דלקת סינוס ממקורות אחרים שאינם דנטליים.

לימוד המחשב לקרוא את התמונות

לפני אימון מערכת הלמידה העמוקה, הצוות ניקוי וחיזק את התמונות. הם סטנדרטו את גודל התמונה, הפחיתו רעש ופסי מתכת, וחדדו קצוות כך שמבנים מרכזיים יבלטו. הם גם השתמשו בסוג של מודל גנרטיבי ליצירת תמונות אימון נוספות ואיכותיות, שהעשירו וגיבו את מערך הנתונים. צנרת המחשב עקבה אחר מספר שלבים. תחילה היא למדה לזהות מכל חתך איזו זווית צפייה הוא מציג. אחר כך שלב סגמנטציה למד לסמן שלושה אזורים מרכזיים: שורשי השיניים, חלל הסינוס והרירית הדקה. לבסוף, רשתות מיוחדות בחנו כל זווית כדי לחלץ דפוסים הקשורים למחלה, ומודל "רב־זוויתי" שילב מידע מכל שלוש הזוויות כדי להחליט האם הסינוס תקין, מושפע מבעיה בשורש השן, או מושפע ממחלת סינוס אחרת.

עד כמה המערכת עבדה טוב

החוקרים בחנו את המודלים שלהם על תמונות שהושארו בצד ועל סט חיצוני נפרד של 738 חתכי CBCT ממטופלים חדשים. הממיין לזוויות צפייה כמעט ולא טעה בין שלוש הזוויות. שלב הסגמנטציה חיקה את שורשי השיניים, חלל הסינוס והרירית עם חפיפה גבוהה לעומת הסימונים של המומחים בכל שלוש הזוויות. כל ממיין של זווית אחת כבר השיג דיוק גבוה, אך רשת הרב־זוויות ששילבה את שלוש הפרספקטיבות התפקדה הכי טוב. הן במערך הבדיקה והן בנתונים החיצוניים היא תייגה נכון כל מקרה מהשלוש, בהתאמה לשיפוט המשולב של ועדת המומחים. המחברים נקפו כמה צעדים כדי למנוע התאמה יתרה, כולל חלוקה לפי מטופל, השבחה קפדנית וטכניקות רגולריזציה, כדי להגדיל את הסבירות שהמערכת תוכל להכליל מעבר למדגם המחקרי.

מה משמעות הדבר עבור מטופלים

עבור קלינאים, צנרת אוטומטית זו יכולה לשמש כקורא שני בלתי נלאה שמדגיש דלקת סינוס הקשורה לשורשים, ממפה את מבנה הסינוס ומראה עד כמה שורשים נגועים קרובים לרצפת הסינוס. תמיכה כזו עשויה לסייע בתכנון טיפול שורש, בקבלת החלטות לגבי ניהול תסמינים סינוסיים עקשניים ובהכוונת הניתוח להשתלת שתל או הרמת סינוס. בעוד שהמחקר הנוכחי פועל על חתכי 2D משדה ראייה מוגבל ועדיין צריך בדיקות נרחבות יותר במרפאות וסורקי CBCT שונים, הוא יוצר בסיס מוצק לכלים עתידיים שיפרשו סריקות תלת־ממדיות מלאות. במילים פשוטות, העבודה מראה כי AI שנבנה בקפידה יכול לזהות במהימנות מתי בעיות סינוס קשורות לשורשי שיניים, ובכך להאיר את הדרך ממצב של לחץ פנים עמום למקור הבעיה האמיתי.

ציטוט: Sherif, O.A.S., Taha, N.S., Fahmy, A.M. et al. Detection of maxillary sinusitis of endodontic origin in cone-beam CT images using deep learning algorithms. Sci Rep 16, 16254 (2026). https://doi.org/10.1038/s41598-026-52147-w

מילות מפתח: דלקת סינוס מקסילרית, דלקת סינוס אודונטוגנית, cone beam CT, למידה עמוקה, הדמיה דנטלית