کاربردهای هوش مصنوعی در دندان پزشکی

هوش مصنوعی (AI) توانایی ماشینها برای انجام وظایفی است که معمولاً به هوش انسانی نیاز دارند. هوش مصنوعی اصطلاحی جدید نیست، مفهوم هوش مصنوعی به سال 1950 باز میگردد. با این حال تا دو دهه پیش به یک ابزار کاربردی تبدیل نشده . بود. با توجه به توسعه سریع سه رکن اصلی فناوری فعلی هوش مصنوعی که شامل دادههای انبوه ، قدرت محاسباتی و الگوریتم هوش مصنوعی است در دو دهه گذشته، برنامه های کاربردی فراوانی با استفاده از هوش مصنوعی جهت رفاه زندگی انسان توسعه یافته اند در دندانپزشکی هوش مصنوعی در تمام رشته مانند دندان پزشکی ترمیمی، پریودنتیکس ارتودنسی جراحی دهان و فک و صورت و پروتزها مورد استفاده قرار گرفته است. اکثر کاربردهای هوش مصنوعی در دندانپزشکی به تشخیص مبتنی بر تصاویر رادیوگرافی یا نوری میپردازند در حالی که سایر کاربردها به دلیل محدودیتهایی نظیر در دسترس نبودن داده ها یکنواختی دادهها و قدرت محاسباتی برای مدیریت دادههای سه بعدی به اندازه کارهای مبتنی بر تصویر قابل اجرا نیستند . دندانپزشکی مبتنی بر شواهد (EBD) به عنوان استانداردی طلایی برای تصمیم گیری متخصصان دندانپزشکی در نظر گرفته میشود در حالی که مدل های یادگیری ماشینی هوش مصنوعی (ML) از تخصص انسانی یاد می گیرند ML میتواند به عنوان ابزار ارزشمندی برای کمک به متخصصان دندانپزشکی در مراحل مختلف بالینی به کار برده شود. این مقاله به تاریخچه و طبقه بندی هوش مصنوعی می پردازد و کاربردهای هوش مصنوعی در دندانپزشکی و رابطه بین EBD و ML را مورد بحث قرار میدهد هدف ما کمک به متخصصان دندان پزشکی برای درک بهتر هوش مصنوعی به عنوان ابزاری برای بهبود کارایی آنهاست.
چهارمین انقلاب صنعتی همان عصر دیجیتال و هوش مصنوعی یکی از مهمترین دستاوردهای آن است. با ساخت روزافزون دستگاه های الکترونیک به زندگی افراد کمک میشود و دادههای ثبت شده توسط آن دستگاهها توسط هوش مصنوعی تجزیه و تحلیل میشود . هوش مصنوعی در همه بخش ها به سرعت در حال رشد و گسترش است میتواند از تخصص انسانی بیاموزد و کارهایی را انجام دهد که معمولاً به هوش انسانی نیاز دارند. یکی از تعاریف آن این است:
تحقیقات نظری و توسعه سیستمهای کامپیوتری که قادر به انجام وظایفی هستند که معمولاً برای اجرای آنها به هوش انسانی مانند ادراک بصری، تشخيص ،گفتار تصمیم گیری و ترجمه بین زبانی نیاز است. هوش مصنوعی در بسیاری از زمینههای صنعتی مانند رباتها، خودروها شهرهای هوشمند و تحلیلهای مالی و غیره مورد پذیرش قرار گرفته است. در پزشکی و دندانپزشکی نیز در مواردی نظیر تصویربرداری پزشکی و دندانپزشکی تشخیصی پشتیبانی از تصمیم گیریها ،پزشکی دیجیتال تولید دارو فناوریهای پوشیدنی (گجت)، نظارت بر بیمارستانها دستیارهای ریاتیک و مجازی
کاربرد پیدا کرده است. در بسیاری از موارد AI میتواند به دندانپزشکان و پزشکان در کاهش حجم کار آنها کمک کند.

علاوه بر تشخیص بیماری ها تنها با استفاده از یک منبع اطلاعاتی از یک بیماری خاص هوش مصنوعی میتواند یاد بگیرد که از منابع اطلاعاتی متعدد داده های چند وجهی به تشخیصهایی فراتر از تواناییهای انسانی دست یابد به عنوان مثال ترکیب عکسهای فوندوس با سایر اطلاعات پزشکی مانند سن، جنسیت، BMI ، استعمال دخانیات، فشار خون و احتمال بروز دیابت برای پیش بینی بیماری قلبی استفاده شده است ،بنابراین، هوش مصنوعی نه تنها میتواند بیماریهای چشمی مانند رتینوپاتی دیابتی بلکه احتمال بیماری قلبی را نیز از تصاویر فوندوس کشف کند. به نظر می رسد تجزیه و تحلیل مبتنی بر تصویر با استفاده از هوش مصنوعی دقیق و موفق است . تمامی این موفقیتها بر توسعه سریع ظرفیت محاسباتی (سخت افزار)، تحقیقات الگوریتمی نرم افزار) و پایگاه داده ای عظیم دادههای ورودی متکی است. مطالعات بسیاری در مورد کاربردهای هوش مصنوعی در دندانپزشکی در حال انجام است و حتی در زمینههایی مانند تشخیص ، تصمیم گیری، برنامه ریزی درمان پیش بینی نتیجه درمان و پیش آگهی بیماری مورد استفاده قرار گرفته اند.
تاریخچه هوش مصنوعی
هوش مصنوعی اصطلاح جدیدی نیست آلن تورینگ هوش در سال 1950 در مقاله مسئله ذهن نوشت: “ماشین آلات محاسباتی و
من معتقدم که در پایان قرن بیستم، استفاده از کلمات و افکار تحصیل کرده عمومی آنقدر تغییر کرده است که فردی قادر خواهد بود از ماشین هایی با قدرت تفکر صحبت کند بدون اینکه دیگران با او مخالفت کنند.»
در آن زمان هیچ اصطلاحی برای تفسیر هوش مصنوعی وجود نداشت. تورینگ هوش مصنوعی را به عنوان «تفکر ماشینی» توضیح داد . او امکان سنجی هوش مصنوعی, چگونگی ساخت ماشینهای هوشمند و ارزیابی هوش ماشینی را با ریاضیات بررسی کرد. او پیشنهاد کرد همانطور که انسان ها برای حل مشکلات از اطلاعات موجود و استنتاج از آنها استفاده میکنند ، ماشینها نیز میتوانند همین کار را انجام دهند تورینگ آزمونی را برای اینکه آیا ماشین میتواند به هوش در سطح انسان دست یابد پیشنهاد داد این تست به عنوان آزمون تورینگ شناخته میشود.
اندکی بعد در سال 1955 اصطلاح هوش مصنوعی برای اولین بار در یک کارگاه آموزشی 2 ماهه ) پروژه تحقیقاتی تابستانی دارتموث در مورد هوش مصنوعی) مطرح شد. با این حال این مفهوم فقط روی کاغذ بود. محدودیتهایی باعث توقف پژوهشگران جهت توسعه ماشینهای هوش مصنوعی واقعی در دهه 1950 شد اولا کامپیوترها قبل از سال 1949 فاقد یک پیش نیاز اساسی برای وظایف هوش مصنوعی بود عدم توانایی برای ذخیره اطلاعات و تنها توانایی اجرا داشتند. دوم اینکه کامپیوترها در آن زمان بسیار پرهزینه بودند و در نهایت تخصیص منابع مالی با توجه به نگرش نسبت
به این رشته جدید محافظه کارانه بود. از سال 1957 تا 1974 رشد هوش مصنوعی به دلیل افزایش قدرت کامپیوترها ، دسترسی آسان به آنها و الگوریتم های هوش مصنوعی سریعتر شد به عنوان مثال میتوان به یک برنامه کامپیوتری به نام ELIZA اشاره کرد که می تواند زبان گفتاری را تفسیر کند و مسائل را از طریق متن حل کند پس از اولین موج پیشرفت دو وقفه زمستان) هوش مصنوعی در اواسط دهه 1970 و اواخر دهه 1980 از راه رسید که به دلایلی چون توسعه کاربردهای عملی ناکافی و کاهش بودجه تحقیقاتی بودند. با این حال هوش مصنوعی بین این دو دوره پیشرفتهای اندکی هم داشت .ه.ش مصنوعی در دهه 1980 از طریق یادگیری ماشینی (MIL) و سیستمهای متخصص پیشرفت کرد.

این دو با رویکردهای متضادی به رشد هوش مصنوعی کمک کردند. ML به رایانه ها اجازه میدهد تا با کمک تجربه یاد بگیرند و برعکس، سیستم
های متخصص، تصمیم گیری کارشناسان انسانی را شبیه سازی میکنند از آن زمان تا حد زیادی در صنعت از هوش مصنوعی استفاده می شود. دو نقطه عطف مهم زمانی دیگر سالهای 2012 و 2017 است . در سال 2012 یک واحد پردازش گرافیکی (GPU) جهت پیاده سازی شبکه یادگیری عمیق (DL) با هشت لایه توسعه داده شد. در سال 2017 خطاهای این پردازشگر بسیار کاهش یافت .
از نمونه های قدیمیتر و معروف مدل هوش مصنوعی میتوان به Deep Blue در شطرنج نام برد که قهرمان شطرنج آن زمان گری کاسپاروف را در سال 1997 شکست داد 20 سال بعد در سال 2017 Alpha شرکت گوگل بازیکن شماره 1 جهان Jie Ke را در بازی Go شکست داد. اخیراً در اواخر سال 2022، شرکت Open AIموفق شد Chat Generative Pre-trained Transformer) CHAT GPT) را راه اندازی کند، که یک مدل تولید متن است و میتواند پاسخهایی شبیه به انسان بر اساس ورودی متن ایجاد کند این مدل از زمان راه اندازی مورد بحث گسترده ای قرار گرفته است. نمونه های یاد شده از روشهای متنوع هوش مصنوعی برای عملکردشان استفاده میکردند.
طبقه بندی هوش مصنوعی
رویکردهای زیادی وجود دارد که از طریق آنها میتوان به هوش مصنوعی دست یافت انواع مختلف هوش مصنوعی میتوانند وظایف مختلفی را انجام دهند و محققان روش های مختلفی برای طبقه بندی هوش مصنوعی ایجاد کرده اند هوش مصنوعی یک اصطلاح عمومی برای تمام هوش های غیر انسانی است. مانند
هوش مصنوعی را می توان بیشتر به عنوان هوش مصنوعی ضعیف یا قوی طبقه بندی کرد. هوش مصنوعی ضعیف که به آن هوش مصنوعی محدود نیز میگویند از یک برنامه خاص استفاده می کند و برای حل مسائل یا انجام وظایف خاصی توسعه یافته است. هوش مصنوعی امروزی بیشتر از نوع هوش مصنوعی محدود است. به عنوان مثال میتوان به یادگیری تقویتی AlphaGo), روباتهای دستکاری خودکار, پردازش زبان (مترجم گوگل ربات چت آمازون تصور کامپیوتری ( خلبان خودکار تسلا و تشخیص چهره استخراج دادهها ( تجزیه و تحلیل بازار و محتوای شخصی شده در رسانه های اجتماعی هوش مصنوعی قوی توانایی و هوشی برابر با انسان را دارد و آگاهی و رفتار آن مانند انسان انعطاف پذیر است. هدف هوش مصنوعی قوی ایجاد یک الگوریتم چند وجهی برای تصمیم گیری است زمینههای تحقیقات روی هوش مصنوعی قوی باید بسیار محتاطانه باشد تا از بروز مسائل اخلاقی جلوگیری شود و حتی ممکن است خطرناک هم باشد به همین علت تا کنون هیچ برنامه کاربردی هوش مصنوعی قوی تا اکنون تولید نشده است.
ML و سیستم های تخصص محور دو زیر گروه متفاوت از هوش مصنوعی ضعیف هستند.

Strong Al
Expert-based Systems
Weak Al
Machine Learning
Deep Learning
NN
Al
تصویر مقایسه بین انواع هوش مصنوعی هوش مصنوعی قوی, محدود, سیستمهای تخصص محور, یادگیری ماشینی یادگیری عمیق و شبکه عصبی (NN)
هوش مصنوعی در دندانپزشکی
همانند سایر صنایع در سالهای اخیر هوش مصنوعی در دندانپزشکی نیز شکوفایی خود را آغاز کرده است. کاربردهای هوش مصنوعی از دیدگاه دندانپزشکی در تشخیص تصمیم گیری برنامه ریزی درمان و پیش بینی نتایج درمان طبقه بندی میشود در میان تمامی کاربردها در دندانپزشکی رایج ترین آنها در تشخیص است. هوش مصنوعی میتواند تشخیصهای دقیق تر و کارآمدتری بدهد و در نتیجه حجم کاری دندانپزشکان را کاهش دهد.

از یک سو دندانپزشکان به طور فزاینده ای به برنامههای کامپیوتری برای تصمیم گیری تکیه میکنند و از سوی دیگر برنامه های کامپیوتری برای استفاده دندانپزشکی با سرعت زیادی در حال باهوش تر، دقیق تر و قابل اعتماد تر شدن هستند تحقیقات در مورد کاربرد هوش مصنوعی در تمام رشته های دندانپزشکی گسترش یافته است. اگرچه تعداد زیادی از مقالات و مجلات در مورد هوش مصنوعی دندانپزشکی منتشر میشود، همچنان مقایسه بین مقالات از نظر طراحی مطالعه تخصیص دادهها ،آموزش آزمون و مجموعه های اعتبارسنجی) و عملکرد مدلها ( دقت, حساسیت اختصاصی بودن)
دشوار است .
هوش مصنوعی در دندانپزشکی ترمیمی
به طور سنتی دندانپزشکان پوسیدگی دندانی را با معاینات مبتنی بر مشاهده و لمسی و یا بر مبنای رادیوگرافی تشخیص میدهند. با این حال، تشخیص ضایعات در مراحل اولیه زمانیکه شکافها عمیق و تماسهای بین پروگزیمال تنگ است و یا ضایعات ثانویه وجود دارد چالش برانگیز است. در نهایت، بسیاری از ضایعات فقط در مراحل پیشرفته پوسیدگی دندان تشخیص داده میشوند که منجر به درمان پیچیده تری میشود مانند ترمیم تاج دندان،روت کانال و یا حتی ایمپلنت اگرچه رادیوگرافی دندان نماهای پانورامیک بری اپیکال یا بایت وینگ و اکسپلورر یا پروب (دندانی به طور گسترده مورد استفاده قرار میگیرند و بسیار قابل اعتماد در نظر گرفته میشوند ابزارهای تشخیصی برای تشخیص پوسیدگی دندان همچنان بیشتر غربالگری و تشخیص نهایی به تجربه دندانپزشکان متکی است.
در دندانپزشکی ترمیمی تحقیقاتی در مورد تشخیص پوسیدگی دندان شکستگی عمودی ریشه ضایعات آپیکال ارزیابی حجمی فضای پالپ و ارزیابی سایش دندان صورت گرفته است . در رادیوگرافی دو بعدی، هر پیکسل از تصویر خاکستری دارای شدتی است به طور مثال روشنایی که نشان دهنده چگالی جسم است. با یادگیری از ویژگیهای ذکر شده الگوریتم یک هوش مصنوعی میتواند الگویی را یاد بگیرد و پیش بینی هایی برای بخش دندانی تشخیص پوسیدگی و غیره ارائه دهد در تحقیقاتی نشان داده شده که تشخیص پوسیدگی پروگزیمال دندان توسط هوش مصنوعی در مقایسه با تشخیص دندانپزشک نتایج مقرون به صرفه تر و موثرتری داشته است.
در مطالعات نشان داده شده که استفاده از هوش مصنوعی منجر به تشخیص زودهنگام ضایعه با دقت یکسان و حتی بیشتری در مقایسه با دندانپزشکان شده است. این دستاورد مستلزم همکاری بین رشتهای بین محققان کامپیوتر و متخصصان بالینی است. پزشکان به صورت دستی محل پوسیدگی را در تصاویر رادیوگرافی برچسب گذاری میکنند در حالی که مخققان کامپیوتر مجموعه دادهها و الگوریتمهای ML را آماده میکنند. در نهایت پزشکان و محققان به طور مشترک صحت و دقت نتایج را بررسی و تأیید می کنند.

هوش مصنوعی در پریودنتیکس
پریودنتیت یکی از شایع ترین بیماری هاست این بیماری مشکلی برای میلیاردها انسان است که در صورت عدم درمان میتواند به جابجایی دندان و حتی از دست دادن دندان منجر شود برای جلوگیری از شدت یافتن پریودنتیت تشخیص زودهنگام و درمان مورد نیاز است در موارد بالینی، تشخیص بیماری
استفاده
پریودنتال بر اساس ارزیابی عمق پروب و تحلیل لثه .است شاخص غربالگری پریودنتال (PSI) اغلب برای تعیین کمیت کاهش وابستگی بالینی ا می شود با این حال قابلیت اطمینان این ارزیابی بالینی پایین است غربالگری بیماری پریودنتال هنوز بر اساس است تجربه دندانپزشکان است و آنها ممکن است بخشی از بافت پریودنتال تحلیل رفته را نبینند .
در زمینه پریودنتتیک
ا از هوش مصنوعی بطور قابل قبولی برای تشخیص وطبقه بندی انواع بیماری های پریودنتال استفاده میشود.
هوش مصنوعی در ارتودنسی
برنامه ریزی برای درمان ارتودنسی معمولا بر اساس تجربه و ترجیح متخصصین ارتودنسی است با توجه به اینکه هر بیمار و ارتودنتیست منحصر به فرد هستند درمان نیز متقابلاً با تصمیم گیری هر دو طرف انجام میشود به طور سنتی متخصصان ارتودنسی برای تشخیص مالو کلوژن باید تلاش زیادی کنند و متغیرهای زیادی را در آنالیز سفالومتری در نظر بگیرند .بنابراین تعیین یک برنامه درمانی و پیش بینی نتیجه درمان بسیار مشکل است. هوش مصنوعی ابزاری ایده آل برای حل مشکلات ارتودنسی است. برنامه ریزی و پیش بینی نتایج درمان مانند شبیه سازی تغییرات در ظاهر صورت قبل و بعد از درمان . تاثیر درمان ارتودنسی الگوهای اسکلتی و نشانههای آناتومیک در سفالوگرامهای جانبی را میتوان به وضوح با کمک الگوریتم های هوش مصنوعی تا حد زیادی مشاهده کرد به ارتباط موثر بین بیماران و دندانپزشکان کمک بزرگی میکند.
جدا از کاربرد هوش مصنوعی در مکان یابی و طبقه بندی لندمارکهای سفالومتریک این سیستمها برای برای اهداف ارتودنسی نیز به کار گرفته شده اند.
هوش مصنوعی در آسیب شناسی دهان و فک و صورت
آسیب شناسی دهان و فک و صورت (OMFP تخصصی برای بررسی شرایط پاتولوژیک و تشخیص بیماریها در ناحیه دهان و فک و صورت. سرطان دهان شدیدترین نوع OMFP .است آمار سازمان بهداشت جهانی (WHO) نشان میدهد که هر ساله بیش از 657000 بیمار سرطان دهان در سطح جهانی تشخیص داده میشود که در میان آنها بیش از 330000 موارد مرگ گزارش میشود در موارد OMFP تحقیقات در زمینه هوش مصنوعی بیشتر برای تشخیص تومورها و سرطانها بر اساس تصاویر رادیوگرافی میکروسکوپی و التراسونیک انجام شده است. علاوه بر این، هوش مصنوعی میتواند برای شناسایی مکانهای غیرعادی در تصاویر رادیوگرافی نیز بکار رود. مواردی همچون اعصاب در حفره دهانی، عضلات درگیر

زبانی و غدد پاروتید و بزاقی الگوریتمهای CNN ابزار مناسبی برای تشخیص خودکار سرطان ها هستند. همچنین لازم به ذکر است هوش مصنوعی در
مدیریت بیماریهای شکاف لب و کام در پیش آگهی ،خطر تشخیص ارتوپدی قبل از جراحی و گفتار نقش دارد.
تشخیص زودهنگام ضایعات مخاطی برای طبقه بندی خوش خیمی یا بدخیمی ضایعه ضروری است. برداشتن ضایعه به روش جراحی برای ضایعات بدخیم ضروری است. با این حال برخی از ضایعات از نظر ظاهری مشابه بوده و بنابراین نیاز به تشخیص قطعی تر به کمک بیوپسی و رادیوگرافی است. پاتولوژیستها با مشاهده مورفولوژی نمونههای رنگ آمیزی شده بر روی اسلایدهای شیشه ای
زیر میکروسکوپ شناسایی میکنند این کاروش بسیار زمان بر و خسته کننده است و از بین تمام نمونه برداری هایی که باید بررسی شوند تنها در حدود 20 درصد از آنها بدخیمی یافت میشود. بنابراین هوش مصنوعی میتواند ابزار مناسبی برای کمک به آسیب شناسان در این کار باشد.
هوش مصنوعی در پروتزهای دندانی
در پروتزهای دندانی یک فرآیند درمانی معمول برای تهیه یک تاج دندان شامل آماده سازی دندان قالب گیری پیرایش طراحی ترمیمی، ساخت، آزمون
پروتز و سیمان ریزی است کاربرد هوش مصنوعی در پروتزها عمدتاً در بخش طراحی ترمیمی جای .میگیرد. CAD/CAM جهت کار طراحی در محصولات تجاری دیجیتالی شده اند از جمله این روشها میتوان به 3Shape, Sirona CEREC و اشاره کرد اگر چه این فرآیند طراحی با استفاده از کتابخانه دندان برای طراحی تاج به طور چشمگیری افزایش یافته است اما هنوز هم نمی تواند به یک طراحی منحصر به فرد بر اساس هر بیمار دست پیدا
کند ادغام هوش مصنوعی با چاپ CAD/CAM یا D/4D3 میتواند به جریان کاری مطلوب تر با راندمان بالاتری بیانجامد .
جدا از پروتزهای ثابت طراحی پروتز دندانی متحرک با توجه به عوامل و متغیرهای بیشتری باید در نظر گرفته شوند چالش برانگیزتر است. هیچ الگوریتم ML به منظور طراحی پروتزهای متحرک در دسترس نیست هرچند که چندین سیستم تخصصی دانش) (محور تا کنون معرفی شده اند . الگوریتمهای فعلی ML بیشتر بر روی کمک به فرآیند طراحی پروتزهای متحرک متمرکز هستند که به عنوان مثال میتوان طبقه بندی قوس های دندانی و پیش بینی ظاهر صورت در بیماران فاقد دندان را ذکر کرد.
سخن پایانی
با توجه به موفقیتهای هوش مصنوعی ثابت شده است که هوش مصنوعی میتواند فراتر از تخصص انسانی یاد بگیرد. در واقع، توسعه هوش مصنوعی نمی تواند بدون توسعه فناوری کامپیوتری نرم افزار ظرفیت محاسبانی سخت افزار) و پایگاه دادهای بزرگ دادههای ورودی به دست آید. وظایف ML شامل مدلهای سه بعدی نیاز به توان بالایی در قدرت محاسباتی برای آموزش الگوریتم دارد قدرت محاسباتی کنونی برای کار مستقیم روی
تصاویر سه بعدی در مقایسه با تصاویر 2 بعدی و وظایف ویدئو ممکن است هنوز جهت انجام وظایف طبقه بندی کافی نباشد . توسعه گجت های (وسایل پوشیدنی نیز به جمع آوری دادههای کلان پزشکی کمک میکنند بنابراین تکامل برنامههای کاربردی هوش مصنوعی تا حد زیادی به الگوریتم هوش مصنوعی توان محاسباتی و دادههای آموزشی دیجیتالی وابسته است.

از یک طرف ML میتواند به پزشکان در ذخیره سازی و تجزیه و تحلیل دانش پزشکی و دادههای مرتبط با بیمار کمک کند. الگوریتم های ML در یافتن الگوها در دادههای تشخیصی بیماران ارتقا درمان پزشکی فعلی کشف داروهای جدید دقت درمان و به حداقل رساندن خطای انسانی کمک کنند. EBD هدف مشابهی دارد اما ML با توجه به سرعت استفاده از دادههای موجود میتواند جهت رسیدن به نتیجه مطلوب سریعتر عمل کند. در حالی که EBD معمولاً به کارآزمایی های تصادفی و کنترل شده برای دستیابی به آن اهداف نیاز دارد.
از سوی دیگر، رسیدگی به دادههای پزشکی از لحظه تشخیص چالش برانگیز است و معمولاً بر اساس منابع متعدد است ML به مقدار زیادی داده برای یادگیری نیاز دارد که این داده ها ممکن است در معرض سوگیری سیستماتیک قرار گیرند و یادسترس نباشند این عوامل می توانند بر نتیجه نهایی تاثیر بگذارند.
کنند، ML
EBD و ML مزایا و معایب خاص خود را دارند ML یک رویکرد جدید در زمینه پزشکی برای بهبود تشخیص و پیش بینی نتایج درمان با درک الگوها و ارتباط بین مجموعه دادههای پزشکی است. در حالی که برنامههای کاربردی ML فعلی عمدتاً به مجموعه داده مشابه تکیه می کـ قادر است از EBD نیز اطلاعات کسب کند. EBD همچنین میتواند با بکارگیری ML در تسهیل کشف روابط پنهانی بین داده های پزشکی با بیماری و همچنین ارائه تشخیصهای بهتر و منحصر به فرد بیمار بهره مند شود.