מערכת AI לרפואת שיניים: אבחון, תותבות ויישור שיניים

כיצד רדיולוג מפספס פריאפיקל פריודונטיטיס ומה CV עושה בנידון

משמרת של שש שעות לרדיולוג דנטלי פירושה 40–50 צילומים פנורמיים. בסוף היום, הריכוז יורד, ואפילו רופא מנוסה יכול לפספס פתולוגיה. נתקלנו בכך בשלוש מרפאות פרטיות ובמרפאה מחוזית אחת. מודל ה-CV שלנו, שאומן על 300,000 פנטומוגרמות מסומנות, שומר על 0.92 AUROC לעששת ללא קשר לשעה ביום. זהו פתרון ייצור ששולב בזרימת עבודה אמיתית.

כיצד AI מנתח תמונות פנורמיות

פנטומוגרמה (OPG) היא בדיקת הסטנדרט להערכה כללית: עששת, פריודונטיטיס, ציסטות, שיניים כלואות, פתולוגיה של מפרק הלסת. משימת ה-CV היא זיהוי ומיקום פתולוגיות על תמונה בגודל 2880×1440 פיקסלים. אנו משתמשים ב-YOLOv8 או Mask R-CNN על מערך נתונים של OPG מסומנים. AUROC לעששת: 0.92 (דומה לרדיולוג), לפריאפיקל פריודונטיטיס: 0.88. הבעיה העיקרית היא חוסר איזון בין מחלקות: שיניים בריאות עולות על פתולוגיות ביחס של 10:1. פתרון: focal loss (γ=2) ודגימת יתר של מקרים פתולוגיים באמצעות augmentation (סיבוב, שינוי בהירות, דפורמציה אלסטית). אינטגרציה עם מערכת ניהול תמונות דנטליות: שרת DICOM (Orthanc) → הסקת CV → שכבת הערות על התמונה בממשק האינטרנט של הרופא. זמן השהיה: 1.8 שניות לכל OPG.

תמונות פריאפיקליות ו-CBCT

צילום פריאפיקלי: זיהוי עששת על משטחי מגע (לעיתים קרובות מוחמצת בבדיקה ויזואלית). Recall לעששת על משטחים פרוקסימליים: 0.84 לעומת 0.71 לרופאי שיניים ללא AI (מטא-אנליזה עדכנית, n=12 מחקרים). CBCT: segmentation של שיניים ושורשים לתכנון שתלים. segmentation תלת-ממדית: nnU-Net על נתוני CBCT — DSC 0.94 לשיניים, 0.87 לתעלות שורש. מדידה אוטומטית של אורך תעלה ורוחב עצם מכתשית.

כיצד AI מסייע בשיקום דיגיטלי

CAD/CAM ויצירת צורת כתר מונעת AI

לאחר סריקה תוך-אורלית (iTero, 3Shape Trios) → מודל STL דיגיטלי. רכיב AI: יצירה אוטומטית של צורת כתר/ציפוי/אינליי תוך התחשבות בסגר, שיניים שכנות ואסתטיקה. GAN (או מודל Diffusion) שאומן על מערך נתונים של שיקומים מאושרים קלינית. על מערך נתוני בדיקה של 1200 כתרים: 91% מהצורות שנוצרו התקבלו על ידי הטכנאי ללא עריכות משמעותיות לעומת 58% בגישה אלגוריתמית בסיסית. זמן שנחסך לטכנאי השיניים: 35 דקות לכל כתר.

עיצוב חיוך

סימולציית AI של התוצאה לפני טיפול: מודל CV על תמונת הפנים של המטופל חוזה את החיוך הסופי לאחר אורתודונטיה או ציפויים. ניסיון וירטואלי מבוסס GAN: המטופל רואה 5 וריאציות של עיצוב חיוך בתלת-ממד. ההמרה מייעוץ להסכמת טיפול עולה ב-34% בעת שימוש בסימולציית חיוך מבוססת AI (נתונים ממרפאות שהטמיעו את המערכת).

אורתודונטיה ותכנון טיפול

ניתוח צפלומטרי

מיקום אוטומטי של 20+ נקודות ציון מפתח על צילום צפלומטרי לרוחב: YOLOv8 + רגרסיית heatmap. דיוק ≤1.5 מ"מ מהסימון הידני עבור 17 מתוך 21 נקודות. זמן: 8 שניות לעומת 15 דקות ידנית.

תכנון טיפול אורתודונטי

בהתבסס על צפלומטריה, מודלי שיניים ותמונות: המלצות ML על סוג טיפול (גשר/אליינערים, עקירה/ללא עקירה, ניתוח). לא תוכנית סופית — רשימה דיפרנציאלית לרופא עם נימוק. התאמה של המלצות AI לתוכנית של אורתודונט מנוסה: 76%.

אנליטיקה תפעולית למרפאה

חיזוי אי-הגעה

פגישות שהוחמצו — הפסד ממוצע של $80–150 לכל משבצת. XGBoost על מאפיינים: יום בשבוע, שעה, סוג פרוצדורה, היסטוריית ביקורי מטופל, עונה, מזג אוויר, זמן הובלה של הפגישה. AUROC 0.81. הזמנת יתר חזויה למשבצות בסיכון גבוה או תזכורת אגרסיבית למטופלים בסיכון גבוה לאי-הגעה.

ניהול קריאות חוזרות

תזכורות אוטומטיות לביקורי מניעה: התאמה אישית על בסיס היסטוריה (מטופל X בדרך כלל מתעלם מ-SMS, מגיב טוב יותר לשיחה; מטופל Y מגיע אם מזכירים לו 7 ימים מראש). ML על נתוני תגובה לקריאות חוזרות היסטוריים. שיעור הגעה לקריאות חוזרות: +22%.

תהליך הטמעת מערכת AI במרפאה

1. ביקורת תהליכים נוכחיים: ניתוח זרימות עבודה, זיהוי צווארי בקבוק (אבחון, תכנון, שימור מטופלים).
2. איסוף נתונים וסימון: סימון של 5000+ תמונות על ידי רופאים מומחים, יצירת מערך נתונים עם טיפול בחוסר איזון בין מחלקות.
3. אימון ואימות: בחירת ארכיטקטורה (YOLOv8, nnU-Net), כוונון היפרפרמטרים, אימות צולב על מדגם מייצג.
4. אינטגרציה עם DICOM/PACS: הגדרת Orthanc, צינור הסקה, עמידה ב-HIPAA/GDPR.
5. בדיקות והשקה: בדיקות A/B על 100+ מקרים, פריסה במרפאות פיילוט, ניטור זמן השהיה ודיוק.

ציר זמן משוער והיקף עבודה

פיתוח מודול אבחוני לסוג תמונה אחד אורך 4 עד 7 חודשים. פלטפורמה מלאה כולל שיקום ואנליטיקה — 8 עד 14 חודשים. צירי הזמן תלויים בנפח הנתונים ובאינטגרציה עם מערכות קיימות. העלות מחושבת באופן אישי.

AUROC (Area Under the Receiver Operating Characteristic) הוא מדד המצביע על איכות סיווג בינארי. ערך של 0.92 אומר שהמודל מדרג נכון דוגמה חיובית אקראית גבוה יותר מדוגמה שלילית אקראית ב-92% מהמקרים. DSC (Dice Similarity Coefficient) הוא מדד segmentation שבו 1.0 מצביע על חפיפה מושלמת.

מה כלול בעבודה

• תיעוד: כרטיס מודל, מדריך הפעלה, תיאור מדדים ומגבלות.
• גישה: API לאינטגרציה, תמונות Docker לפריסה מקומית, גישת SSH לשרת הסקה במידת הצורך.
• הכשרת צוות: סדנה לרופאים (יומיים) + הוראות וידאו למנהלים.
• תמיכה: שירות אחריות ל-6 חודשים, SLA לאירועים (4 שעות לבעיות קריטיות).

למה לבחור AI למרפאה שלך

הניסיון שלנו: 5+ שנים ב-AI לרפואה, 15+ פרויקטים שהושלמו למרפאות שיניים. אנחנו לא רק מפתחים מודלים — אנו משלבים אותם בזרימות עבודה אמיתיות, ומספקים שיפורים מדידים בדיוק ובמהירות.

צור קשר להדגמה של אבחון AI על התמונות שלך. הזמן פרויקט פיילוט — קבל אב טיפוס תוך 4 שבועות.