کاربرد هوش مصنوعی در تشخیص و درمان دندانپزشکی؛ راهنمای تخصصی و مبتنی بر شواهد

خلاصه: کاربرد هوش مصنوعی در تشخیص و درمان دندانپزشکی از تحلیل رادیوگرافی و تصاویر داخل دهانی تا سفالومتری، ایمپلنت، پاتولوژی، طرح درمان و پیش‌بینی برخی پیامدها گسترش یافته است. اما «خروجی مدل» همان «تشخیص» نیست. استفاده ایمن نیازمند داده باکیفیت، اعتبارسنجی در محیط مشابه، توضیح محدودیت‌ها و تأیید دندانپزشک است.

کاربرد هوش مصنوعی در تشخیص و درمان دندانپزشکی دقیقاً چیست؟

بیشترین حجم پژوهش درباره هوش مصنوعی در دندانپزشکی مربوط به وظایف بالینی است؛ به‌ویژه وظایفی که تصویر دارند. دلیل این تمرکز روشن است: رادیوگرافی، CBCT، تصاویر داخل دهانی، اسکن‌های سه‌بعدی و تصاویر هیستوپاتولوژی داده‌هایی هستند که می‌توان آن‌ها را برای آموزش مدل‌های بینایی ماشین ساختاربندی کرد. مدل می‌تواند ناحیه‌ای را طبقه‌بندی، ساختاری را سگمنت، landmarkی را پیدا یا احتمال یک الگو را برآورد کند.

در ساده‌ترین شکل، AI یک «سیستم تشخیص الگو» است. سیستم لزوماً نمی‌فهمد بیمار چه احساسی دارد، چه دارویی مصرف می‌کند یا هدف درمانی او چیست؛ مگر اینکه این اطلاعات به‌طور معتبر وارد فرایند شده باشند. به همین دلیل عبارت «AI تشخیص می‌دهد» می‌تواند گمراه‌کننده باشد. در بسیاری از کاربردهای مسئولانه، مدل یک یافته احتمالی یا اندازه‌گیری را پیشنهاد می‌دهد و متخصص آن را با شرح حال، معاینه، تست‌های بالینی و سایر شواهد ترکیب می‌کند.

این تفاوت از دید SEO شاید جزئی به نظر برسد، اما از دید علمی تفاوت بنیادی است. صفحه‌ای که فقط «مزایای AI» را فهرست کند، ارزش آموزشی محدودی دارد. این راهنما تلاش می‌کند نشان دهد در هر تخصص، مدل چه ورودی می‌بیند، چه خروجی می‌سازد، نقطه قوت آن چیست و چه چیزی همچنان نیازمند قضاوت انسانی است.

AI در مسیر تشخیص دندانپزشکی چگونه کار می‌کند؟

یک جریان استاندارد معمولاً با جمع‌آوری داده شروع می‌شود. برای مدل تصویری، داده ممکن است رادیوگرافی یا تصویر کلینیکی باشد. متخصصان یا روش‌های موجود برچسب مرجع ایجاد می‌کنند. داده به بخش آموزش، اعتبارسنجی و آزمون تقسیم می‌شود و مدل الگوهایی را یاد می‌گیرد که برای یک هدف مشخص بهینه شده‌اند. سپس باید روی داده‌ای که در آموزش ندیده ارزیابی شود.

مهم‌ترین دام، اشتباه گرفتن performance در مقاله با performance در کلینیک است. اگر مدل روی داده یک دانشگاه و یک نوع دستگاه تصویربرداری آموزش دیده باشد، انتقال آن به مطب با جمعیت، سنسور، پروتکل exposure و prevalence متفاوت می‌تواند عملکرد را تغییر دهد. به این پدیده dataset shift یا domain shift گفته می‌شود.

در دنیای واقعی، بعد از مدل یک لایه workflow لازم است. اگر مدل ناحیه مشکوکی در بایت‌وینگ پیدا کند، این خروجی باید در رابط قابل مشاهده باشد، کاربر بتواند آن را تأیید یا رد کند، تصمیم نهایی ثبت شود و در صورت نیاز مورد برای بررسی دوم ارسال شود. اگر فقط یک نمره بدون زمینه و بدون امکان ممیزی نمایش داده شود، ارزش عملی کاهش می‌یابد.

هوش مصنوعی در رادیوگرافی و تصویربرداری دندانپزشکی

تصویربرداری ستون اصلی بسیاری از کاربردهای AI در دندانپزشکی است. مدل‌های عمیق برای پانورامیک، پری‌آپیکال، بایت‌وینگ، سفالومتری، CBCT و تصاویر داخل دهانی توسعه یافته‌اند. وظایف شامل شناسایی دندان، شماره‌گذاری، segmentation، تشخیص نواحی مشکوک، تعیین landmark و اندازه‌گیری ساختارهاست.

در عمل، مهم‌ترین ارزش بالقوه، ساخت «خوانش دوم» است. دندانپزشک تصویر را ارزیابی می‌کند و AI نیز نواحی مورد توجه را نشان می‌دهد. اختلاف بین دو خوانش می‌تواند سبب بازبینی شود. این مدل همکاری نسبت به حالتی که AI تصمیم را پنهانی و بدون نظارت می‌گیرد ایمن‌تر و قابل دفاع‌تر است.

باید دقت کرد که sensitivity و specificity به تنهایی همه چیز را نمی‌گویند. اگر بیماری در جمعیت بسیار کم‌شیوع باشد، حتی مدل با ویژگی‌های آماری خوب ممکن است تعداد قابل توجهی هشدار غیرضروری بسازد. همچنین یک مدل ممکن است برای ضایعات واضح عالی باشد اما دقیقاً در موارد مرزی که بیشترین نیاز به کمک وجود دارد عملکرد پایین‌تری داشته باشد.

کیفیت تصویر نیز ورودی مدل است. motion artifact، positioning نامناسب، exposure، reconstruction و تفاوت دستگاه می‌توانند روی نتیجه اثر بگذارند. بنابراین سیستم حرفه‌ای باید quality control داشته باشد و در تصاویر نامناسب به‌جای حدس زدن، عدم اطمینان را اعلام کند.

هوش مصنوعی در تشخیص پوسیدگی دندان

تشخیص پوسیدگی یکی از شناخته‌شده‌ترین کاربردهای AI است. مدل‌های convolutional و معماری‌های جدیدتر برای پیدا کردن ضایعات مشکوک در بایت‌وینگ و سایر تصاویر بررسی شده‌اند. برخی محصولات تجاری نیز overlay تصویری ارائه می‌دهند. هدف می‌تواند افزایش consistency، کمک به آموزش بیمار یا حمایت از مرور سیستماتیک باشد.

اما پوسیدگی یک مسئله صرفاً تصویری نیست. فعالیت ضایعه، ریسک پوسیدگی بیمار، رژیم غذایی، فلوراید، سابقه درمان، معاینه و امکان remineralization در تصمیم بالینی نقش دارند. AI ممکن است «نشانه تصویری» را تشخیص دهد، اما اینکه درمان تهاجمی، غیرتهاجمی یا پایش مناسب است تصمیم متفاوتی است.

همچنین باید بین detection و staging فرق گذاشت. مدلی که می‌گوید «ناحیه مشکوک وجود دارد» لزوماً نمی‌تواند عمق، فعالیت یا نیاز درمانی را با همان کیفیت تعیین کند. تبلیغات محصول گاهی این مرز را محو می‌کنند؛ ارزیابی حرفه‌ای باید intended use را دقیق بخواند.

برای کلینیک، سناریوی خوب این است که AI به‌عنوان ابزار کمکی در review یا آموزش بیمار استفاده شود، ولی diagnosis code و treatment plan پس از بررسی دندانپزشک ثبت شوند. اگر سیستم اجازه می‌دهد کاربر overlay را خاموش کند و تصویر اصلی را مستقل ببیند، خطر bias کمتر می‌شود.

هوش مصنوعی در پریودنتیکس

در بیماری‌های پریودنتال، پژوهش‌های AI روی تحلیل سطح استخوان، شناسایی الگوهای تحلیل استخوان، segmentation ساختارها، طبقه‌بندی severity و مدل‌های ریسک تمرکز دارند. رادیوگرافی اطلاعات مهمی دارد، اما معاینه پریودنتال، probing depth، bleeding on probing، mobility، furcation involvement و عوامل سیستمیک نیز تعیین‌کننده‌اند.

مدل چندوجهی که تصویر را با داده‌های کلینیکی ترکیب کند از نظر نظری می‌تواند زمینه بیشتری داشته باشد. با این حال ترکیب داده‌ها پیچیدگی، مشکل missing data و ریسک privacy را افزایش می‌دهد. هر فیلدی که وارد مدل می‌شود باید دلیل عملی داشته باشد.

AI همچنین می‌تواند به longitudinal monitoring کمک کند. اگر تصاویر در زمان‌های مختلف استاندارد باشند، سیستم می‌تواند تغییرات را اندازه‌گیری یا برای review علامت‌گذاری کند. اما تفاوت زاویه و تکنیک تصویربرداری ممکن است به‌صورت تغییر بیماری تفسیر شود؛ بنابراین استانداردسازی acquisition مهم است.

هوش مصنوعی در اندودنتیکس

اندودنتیکس به دلیل پیچیدگی آناتومی و اهمیت تصویربرداری، زمینه جذابی برای AI است. پژوهش‌ها کاربردهایی مانند شناسایی ضایعات پری‌آپیکال، بررسی anatomy کانال، segmentation، کمک به تشخیص برخی شکستگی‌ها و تحلیل CBCT را بررسی کرده‌اند. مدل‌های سه‌بعدی می‌توانند حجم زیادی از voxelها را پردازش کنند، ولی نیاز به داده برچسب‌خورده باکیفیت بیشتر دارند.

کاربرد کم‌ریسک‌تر، استفاده از AI برای navigation و pre-review است: سیستم sliceهای محتمل را نشان دهد، ساختارها را highlight کند یا اندازه‌گیری اولیه بسازد. تصمیم درباره درمان مجدد، جراحی اپیکال یا prognosis باید اطلاعات بالینی و سابقه درمان را نیز در نظر بگیرد.

یکی از معیارهای مهم برای ابزار اندو، توضیح محدوده عملکرد است. مدلی که برای detection ضایعه آموزش دیده نباید به‌عنوان ابزار کامل diagnosis و treatment recommendation فروخته شود. یک feature خوب ممکن است بسیار ارزشمند باشد، اما گسترش ادعا بدون شواهد خطرناک است.

هوش مصنوعی در ارتودنسی

ارتودنسی از نخستین تخصص‌هایی است که از الگوریتم‌های خودکار برای اندازه‌گیری و تحلیل استفاده کرده و اکنون AI این روند را گسترش داده است. کاربردها شامل landmark detection در سفالومتری، segmentation، تعیین برخی شاخص‌های اسکلتی، تحلیل عکس، برنامه‌ریزی دیجیتال، پیش‌بینی حرکت و remote monitoring است.

مرورهای ۲۰۲۵ و ۲۰۲۶ نشان می‌دهند مطالعات متعددی عملکرد امیدوارکننده گزارش کرده‌اند، اما ناهمگونی روش‌ها و نیاز به manual verification پابرجاست. در landmarking، خطای چند میلی‌متری ممکن است برای بعضی نقاط کم‌اهمیت و برای نقاط دیگر معنی‌دار باشد. بنابراین میانگین خطا باید در زمینه کاربرد تفسیر شود.

در alignerها و پایش از راه دور، تصاویر بیمار می‌توانند برای triage استفاده شوند؛ مثلاً سیستم پیشنهاد کند بررسی حضوری زودتر لازم است. اما نباید انتظار داشت عکس خانگی جای تمام اطلاعات معاینه را بگیرد. طراحی مناسب شامل threshold برای «داده ناکافی» است.

AI همچنین می‌تواند در ارتباط با بیمار کمک کند؛ برای مثال توضیح استاندارد درباره مراقبت appliance یا یادآوری. در این بخش باید محتوای تأییدشده و مسیر escalation برای درد، تورم یا وضعیت اورژانسی تعریف شود.

هوش مصنوعی در ایمپلنت، پروتز و ترمیم

ایمپلنتولوژی و پروتز با تصویربرداری سه‌بعدی و CAD/CAM گره خورده‌اند. مرور umbrella منتشرشده در ۲۰۲۶ شواهد systematic reviewها را درباره AI در پروتز و ایمپلنت جمع‌بندی کرده است. کاربردها از شناسایی implant system و تحلیل ساختارها تا planning، طراحی و پیش‌بینی برخی پیامدها گسترده‌اند؛ با این حال کیفیت شواهد یکسان نیست.

در implant planning، AI می‌تواند segmentation فک و ساختارهای مهم را تسهیل کند یا پیشنهاد اولیه برای موقعیت بدهد. اما وضعیت بافت نرم، prosthetic-driven planning، مهارت جراح، نیاز زیبایی و ترجیح بیمار باید در تصمیم نهایی لحاظ شوند. خروجی خودکار بدون کنترل clinician نباید به drilling guide تبدیل شود.

در پروتز، الگوریتم‌ها می‌توانند design suggestion بدهند، marginها را تشخیص دهند یا کنترل کیفی دیجیتال انجام دهند. این قابلیت‌ها زمانی ارزشمندترند که فایل قابل ویرایش باشد و تکنسین و دندانپزشک بتوانند منطق طراحی را اصلاح کنند.

در ترمیم، ترکیب اسکن داخل دهانی و مدل‌های طراحی می‌تواند workflow را کوتاه کند. اما quality assurance هنوز مهم است: تماس‌ها، اکلوژن، ضخامت ماده و fit باید در چارچوب استانداردهای حرفه‌ای ارزیابی شوند.

هوش مصنوعی در پاتولوژی و بیماری‌های دهان

پاتولوژی دهان از تصاویر histopathology و clinical photography استفاده می‌کند و بنابراین برای computer vision مناسب به نظر می‌رسد. AI می‌تواند به segmentation بافت، شناسایی الگو، triage slide و screening کمک کند. در سطح پژوهشی، مدل‌های مختلف برای تشخیص یا طبقه‌بندی ضایعات بررسی شده‌اند.

این حوزه نمونه بارز اهمیت sensitivity و false negative است. اگر هدف غربالگری ضایعه بالقوه بدخیم باشد، از دست دادن مورد مهم می‌تواند پیامد جدی داشته باشد. بنابراین threshold، validation خارجی و مسیر human review باید بخشی از محصول باشند، نه نکته‌ای در انتهای قرارداد.

همچنین تفاوت staining، scanner و preparation می‌تواند مدل را تحت تأثیر قرار دهد. آزمایش روی داده همان آزمایشگاه کافی نیست. محصولی که قرار است در چند مرکز کار کند باید robust بودن در محیط‌های متفاوت را نشان دهد.

هوش مصنوعی در طرح درمان و تصمیم‌گیری

مرور نظام‌مند و متاآنالیز ۲۰۲۶ درباره AI در diagnostic decision-making و treatment planning نشان می‌دهد این حوزه به‌طور جدی در حال مطالعه است. هدف مدل‌ها می‌تواند پیشنهاد گزینه، طبقه‌بندی، پیش‌بینی یا سازماندهی شواهد باشد. با این حال treatment planning از نظر مفهومی دشوارتر از detection است.

یک طرح درمان خوب فقط نتیجه «بهترین پاسخ آماری» نیست. ترجیح بیمار، بودجه، زمان، تحمل ریسک، نیاز زیبایی، امکان حفظ دندان، بیماری سیستمیک و تجربه clinician همگی اهمیت دارند. بسیاری از این عوامل در datasetهای پژوهشی کامل ثبت نشده‌اند. بنابراین سیستم باید به‌عنوان تصمیم‌یار استفاده شود، نه تصمیم‌گیر مستقل.

یکی از طراحی‌های مفید، evidence-backed suggestion است: سیستم می‌گوید کدام داده باعث پیشنهاد شده، چه گزینه‌های جایگزین وجود دارند و کجا اطلاعات ناقص است. این رویکرد قابلیت audit را افزایش می‌دهد و از تبدیل AI به «جعبه سیاه اقتدار» جلوگیری می‌کند.

هوش مصنوعی در پیش‌بینی نتیجه درمان

پیش‌بینی prognosis یا outcome از جذاب‌ترین وعده‌های AI است. در تئوری، مدل می‌تواند از داده تاریخی یاد بگیرد که چه ترکیبی از عوامل با outcome خاص مرتبط بوده است. اما prediction باید با احتیاط تفسیر شود: همبستگی به معنای علت نیست و outcomeهای دندانپزشکی تحت تأثیر رفتار بیمار، مهارت درمانگر و عوامل خارج از dataset هستند.

اگر مدل ریسک بالاتر failure را نشان دهد، کاربرد مناسب می‌تواند افزایش توجه، درخواست اطلاعات بیشتر یا discussion با بیمار باشد؛ نه محروم کردن خودکار از درمان. هر مدل risk stratification باید از نظر fairness و اثر تصمیمی بررسی شود.

هوش مصنوعی در جراحی دهان و فک و صورت

جراحی دهان و فک و صورت به دلیل استفاده گسترده از CBCT، CT، تصاویر سه‌بعدی و برنامه‌ریزی پیش از عمل، ظرفیت قابل توجهی برای کاربرد AI دارد. مدل‌ها می‌توانند در segmentation استخوان، کانال عصب آلوئولار تحتانی، سینوس‌ها و سایر ساختارهای آناتومیک کمک کنند. این نوع خودکارسازی می‌تواند زمان آماده‌سازی داده را کاهش دهد و یک مدل سه‌بعدی اولیه برای بررسی جراح بسازد.

در جراحی دندان نهفته یا planning پیچیده، AI می‌تواند رابطه ساختارها را اندازه‌گیری یا risk featureها را برجسته کند. اما تصمیم جراحی به factors بسیاری وابسته است که در تصویر تنها دیده نمی‌شوند: علائم بیمار، بیماری‌های زمینه‌ای، داروها، ریسک خونریزی، مهارت اپراتور و گزینه‌های جایگزین درمان. بنابراین خروجی تصویری باید بخشی از assessment باشد، نه نسخه نهایی برنامه درمان.

پژوهش درباره robotic assistance و computer-assisted surgery نیز در حال رشد است. در این سیستم‌ها تفاوت مهمی بین «navigation»، «automation» و «autonomy» وجود دارد. سامانه ناوبری می‌تواند موقعیت ابزار را نشان دهد، اتوماسیون می‌تواند یک حرکت مشخص را کنترل کند، اما autonomy به معنی تصمیم‌گیری مستقل است و سطح بسیار بالاتری از شواهد، کنترل و مسئولیت می‌خواهد.

هوش مصنوعی در دندانپزشکی کودکان

در دندانپزشکی کودکان، AI برای تحلیل تصاویر، تشخیص پوسیدگی، تخمین سن دندانی، ارزیابی رشد و برخی وظایف پیش‌بینی بررسی می‌شود. چالش مهم این است که anatomy و مرحله رشد با سن تغییر می‌کند. مدلی که عمدتاً روی بزرگسالان آموزش دیده نباید بدون ارزیابی مناسب برای کودک استفاده شود.

ارتباط با کودک و والد نیز بخش اساسی درمان است. مدل زبانی می‌تواند توضیح ساده یا مواد آموزشی اولیه تولید کند، اما لحن، consent، نگرانی والد و وضعیت بالینی باید توسط تیم کنترل شوند. در کودکان، یک پاسخ عمومی درباره درد یا تورم نمی‌تواند جای triage انسانی را بگیرد.

از نظر داده، مسائل اخلاقی و privacy در جمعیت کودکان حساس‌تر است. حداقل‌سازی داده، کنترل دسترسی و سیاست retention باید با دقت بیشتری طراحی شود. «امکان فنی» برای جمع‌آوری حجم بیشتر داده، دلیل کافی برای انجام آن نیست.

هوش مصنوعی در طراحی لبخند و دندانپزشکی زیبایی

AI در حوزه زیبایی می‌تواند به تحلیل عکس صورت و دندان، segmentation لب و دندان، شبیه‌سازی اولیه و پیشنهاد طراحی کمک کند. این ابزارها برای گفت‌وگو با بیمار مفیدند، زیرا می‌توانند گزینه‌ها را به‌صورت بصری نشان دهند. اما simulation نباید به‌عنوان تضمین نتیجه معرفی شود. نتیجه واقعی به بافت، رنگ، ماده، شرایط اکلوزال و اجرای درمان وابسته است.

همچنین مدل‌های مولد تصویر می‌توانند تصویری بسیار قانع‌کننده اما غیرواقعی بسازند. اگر تصویر برای consent یا expectation management استفاده می‌شود، باید روشن باشد که simulation است و محدودیت‌های آن توضیح داده شود. مرز بین visualization آموزشی و وعده بازاریابی اهمیت زیادی دارد.

نقش AI در آموزش دندانپزشکی و کنترل کیفیت بالینی

هوش مصنوعی فقط برای تشخیص بیمار نیست؛ می‌تواند در آموزش دانشجو و بازخورد ساختاریافته نیز استفاده شود. سیستم ممکن است landmarkهای تمرینی را بررسی، خطای احتمالی در یک planning exercise را نشان یا سناریوی بالینی تولید کند. مزیت آموزشی، امکان تکرار و بازخورد سریع است؛ اما پاسخ مدل باید با curriculum و نظر استاد تطبیق داده شود.

در کلینیک نیز AI می‌تواند برای quality assurance به‌کار رود، مثلاً completeness پرونده، وجود تصویر لازم یا تناقض میان داده‌ها را پرچم‌گذاری کند. این نوع کنترل فرایندی ممکن است از نظر ایمنی حتی مهم‌تر از featureهای نمایشی باشد، زیرا خطاهای ناشی از داده ناقص را قبل از تصمیم کاهش می‌دهد.

چگونه یک ابزار تشخیصی AI دندانپزشکی را ارزیابی کنیم؟

1. Intended use را بخوانید. آیا ابزار detection است، measurement، segmentation، triage یا treatment recommendation؟ این‌ها یکسان نیستند.
2. Population را مقایسه کنید. داده تحقیق با بیماران، دستگاه و workflow شما چقدر مشابه است؟
3. Validation خارجی بخواهید. فقط نتایج training و internal test کافی نیستند.
4. معیار درست را ببینید. accuracy، sensitivity، specificity، calibration و performance در subgroupهای مهم می‌توانند معنی متفاوت داشته باشند.
5. خطای بحرانی را تعریف کنید. کدام false negative یا false positive از نظر شما غیرقابل قبول است؟
6. رابط کاربری را تست کنید. آیا AI باعث anchoring می‌شود؟ آیا می‌توان تصویر را بدون overlay دید؟
7. Human review را اجباری کنید. چه کسی تصمیم نهایی را ثبت می‌کند و اختلاف چگونه مدیریت می‌شود؟
8. Log نگه دارید. خروجی مدل، نسخه مدل، ورودی و تصمیم نهایی باید در کاربردهای حساس قابل ردیابی باشند.

محدودیت‌های هوش مصنوعی در تشخیص دندانپزشکی

تعمیم‌پذیری: نتیجه خوب روی یک dataset ممکن است به کلینیک دیگر منتقل نشود. کیفیت برچسب: اگر ground truth محل اختلاف متخصصان باشد، مدل یک حقیقت قطعی یاد نمی‌گیرد. کمبود داده: برخی بیماری‌های نادر نمونه کافی ندارند. تغییر فناوری: دستگاه و پروتکل جدید می‌تواند distribution را عوض کند. سوگیری: گروه‌های کمتر نماینده ممکن است عملکرد ضعیف‌تری ببینند.

مسئله دیگر explainability است. Heatmap یا bounding box توضیح کامل نیست؛ فقط نشان می‌دهد مدل به کجا توجه کرده است. در تصمیم پیچیده، توضیح باید به داده قابل فهم و محدودیت مدل متصل شود.

همچنین نباید فراموش کرد که AI می‌تواند false reassurance ایجاد کند. نبود هشدار از سیستم به معنای نبود بیماری نیست. پروتکل باید روشن کند که clinician همچنان مسئول مرور کامل است.

ارتباط کاربردهای بالینی با مدیریت کلینیک

اگر ابزار بالینی در workflow جداگانه بماند، بخشی از ارزش آن از دست می‌رود. نتیجه تصویری ممکن است نیاز به پیگیری، consultation یا نوبت جدید ایجاد کند. سیستم عملیاتی باید این کار را به صف درست منتقل کند، بدون اینکه تشخیص را تغییر دهد. این نقطه اتصال بین clinical intelligence و operational intelligence است.

برای مثال، دندانپزشک یک finding را تأیید می‌کند؛ سپس سیستم می‌تواند یادآور بررسی، سند موردنیاز یا مسیر follow-up را بسازد. تصمیم درمان انسانی است، اما اجرای فرایند می‌تواند هوشمندتر شود. راهنمای هوش مصنوعی در مدیریت کلینیک دندانپزشکی این لایه را عمیق‌تر توضیح می‌دهد.

یادداشت علمی: این مقاله آموزشی است. عملکرد یک مدل یا محصول باید برای intended use، محیط، دستگاه و جمعیت هدف خودش ارزیابی شود. محتوای صفحه جایگزین تشخیص یا تصمیم درمانی دندانپزشک نیست.