Yapay zeka (AI), geleneksel olarak insan zekası ile ilişkilendirilen, karar verme ve problem çözme gibi karmaşık görevleri yerine getirme yeteneğine sahip bilgisayar sistemlerini tanımlamak için kullanılan kapsamlı bir terimdir (Joda, Waltimo ve ark., 2018; Shan ve ark., 2021). Teknik olarak, AI iki ana kategoriye ayrılabilir: "zayıf" ve "güçlü" AI. Zayıf AI, diğer bir adıyla dar yapay zeka (ANI-artificial narrow intelligence), bilgisayar öngörüsü ile belirli bir hedefi bir dizi resimde tanımlamak gibi özel görevleri yerine getirme yeteneğinden oluşur; ancak, herhangi bir içsel bilişsel yeteneğe sahip değildir. Güçlü AI ise, insan zihni gibi tipik insan zihinsel yeteneklerini ve bilincini kopyalayan sistemler olarak tanımlanır (Scerri ve Grech, 2020). Henüz hiçbir güçlü AI formu mevcut olmamasına rağmen, zayıf AI sistemlerinin günlük hayatta kullanımının artışı; insanların teknolojiyle etkileşim şeklini ve karmaşık görevleri ele alma yöntemlerini kökten değiştirmiştir. Tıp ve diş hekimliği alanlarında da AI araştırmaları ve uygulamaları sürekli olarak büyümektedir.

Bugün tıpta AI uygulamalarının çoğu makine öğrenimi (ML-Machine Learning) temellidir ve radyolojik görüntüleme analizine odaklanmaktadır. Mevcut veri setlerinde eğitildikten sonra, ML algoritmaları yeni giriş verileri üzerinde doğru tahminler yapabilir (Bernauer ve ark., 2021). Klasik ML modellerinde, sistemin eğitim alacağı etiketli veri setini tasarlamak ve sağlamak için insan müdahalesi gereklidir.

Bu bağlamda, ML’nin bir alt kümesi - derin öğrenme (DL – Deep Learning) olarak bilinir. ML’ye kıyasla, DL modelleri verilerdeki desenleri gözlemleyebilir ve ham bilgi üzerinde insan müdahalesine ihtiyaç duymadan hiyerarşi oluşturabilir (Ren ve ark., 2021).Yapay sinir ağları (ANN – Artificial Neural Networks), DL algoritmalarının omurgasını oluşturur. Sinir ağları, bir giriş katmanı, bir veya daha fazla gizli katman ve bir çıkış katmanından oluşur ve her düğüm, başka bir yapay nöronla bağlantılıdır. Üçten fazla katmana sahip ANN, DL algoritması olarak kabul edilir (Şekil 1). ANN, eğitim veri setleri aracılığıyla öğrenebilir ve doğruluğunu artırabilir; ancak bu süreç büyük miktarda veri gerektirir (Bernauer ve ark., 2021).

Günlük diş hekimliği uygulamalarında, dijital görüntülemede patolojilerin tanımlanması ve sınıflandırılması gibi çeşitli AI tabanlı uygulamalar ve araçlar geliştirilmiş ve kullanıma sunulmuştur (Litjens ve ark., 2017). İki boyutlu ağız içi röntgenler, konik ışınlı bilgisayarlı tomografi (CBCT) ve optik taramalar bu bağlamda diş hekimliği için özellikle ilgi çekicidir. JPG, DICOM ve STL verileri tanı, tedavi planlaması, restoratif tasarım ve yeniden değerlendirme için rutin olarak toplanır ve bu nedenle AI teknolojisinin geliştirilmesi ve kullanımı için ilginç bir kaynak sunar (Hung ve ark., 2020). AI tanı modelleri; interproksimal çürük lezyonları, kök kırıkları, periapikal lezyonlar ve periodontal kemik kaybı gibi diş patolojilerinin radyolojik tanımlanmasında başarılı sonuçlar ortaya koymuştur (Şekil 2) (Devito ve ark., 2008; Johari ve ark., 2017; Chang ve ark., 2020; Endres ve ark., 2020). 

AI modelleri ayrıca ortodontide de başarıyla uygulanmıştır. Bilgi tabanlı algoritmalar ve bilgisayar görüsü yöntemleri, sefalogramlarda anatomik işaretlerin tanımlanması ve ölçülmesi için güvenilir bir yol olarak gösterilmiştir (Gupta ve ark., 2015; Park ve ark., 2019).

Bu anlatısal incelemenin amacı, yapay zekanın implantolojide nasıl kullanıldığını tanımlamak ve özetlemektir. Bu genel bakış, implantolojinin dijital iş akışını takip ederek tanı, klinik tedavi protokolü (laboratuvar iş akışı dahil), prognoz ve bakım aşamalarını (Şekil 3) ele almakta ve yapay zekanın bugünkü veya gelecekteki potansiyel rolünü vurgulamaktadır. Odak noktası, dental görüntüleme, tedavi planlaması, rehberli implant cerrahisi ve hasta takibi alanlarıdır.