Abstract
<jats:p>Bu çalışma, modern endodontide Yapay Zeka (YZ), Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) teknolojilerinin entegrasyonunu ve klinik pratik üzerindeki etkilerini kapsamlı bir şekilde incelemektedir. Geleneksel endodonti pratiğinde hekimler arası tanı uyumsuzluğu önemli bir sorun teşkil ederken; YZ tabanlı sistemler, dijital radyografi ve KIBT verilerini işleyerek bu süreci daha objektif ve standart bir hale getirmektedir. Özellikle Konvolüsyonel Sinir Ağları (CNN), periapikal lezyonların tespiti, kök kanal morfolojisinin analizi ve dikey kök kırıklarının teşhisinde %90'ın üzerinde doğruluk oranları sergileyerek klinisyenlere uzman düzeyinde karar destek mekanizması sunmaktadır. YZ; çalışma boyu ölçümü, tedavi prognozunun öngörülmesi ve indirekt restorasyonların takibi gibi kritik aşamalarda da yüksek hassasiyetle çalışmaktadır. Teknolojinin sunduğu bu avantajlara rağmen; veri güvenliği, algoritmik şeffaflık (açıklanabilir YZ) ve tıbbi sorumluluk gibi etik ve yasal zorluklar endodontiye tam entegrasyon önünde engel teşkil etmektedir. Gelecekte robotik sistemler ve moleküler biyo-belirteç analiziyle birleşecek olan YZ, "Hassas Endodonti" dönemini başlatarak tedavi başarısını daha öngörülebilir kılacaktır. This study provides a comprehensive analysis of the integration of Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL) technologies in modern endodontics and their impact on clinical practice. While inter-observer disagreement in diagnosis represents a significant challenge in traditional endodontic practice , AI-based systems process digital radiography and Cone-Beam Computed Tomography (CBCT) data to render this process more objective and standardized. Particularly, Convolutional Neural Networks (CNN) offer expert-level decision support mechanisms for clinicians by demonstrating accuracy rates exceeding 90% in the detection of periapical lesions , analysis of root canal morphology , and diagnosis of vertical root fractures. AI also operates with high precision in critical phases such as working length measurement , predicting treatment prognosis , and monitoring indirect restorations. Despite these technological advantages, ethical and legal challenges including data security, algorithmic transparency (Explainable AI), and medical accountability constitute barriers to full integration within endodontics. In the future, AI combined with robotic systems and molecular biomarker analysis will initiate the era of "Precision Endodontics," rendering treatment success more predictable.</jats:p>