Искусственный интеллект в стоматологии

Технологии продолжают активно развиваться, и искусственный интеллект в стоматологии тоже нашёл своё место. Рассмотрим, как ИИ помогает диагностировать и лечить болезни ротовой полости, обучать врачей¹.

Основы использования ИИ в стоматологии

Далеко не всем пациентам приятно посещать стоматолога. Но современные ИИ-технологии со способностью делать анализ, предсказывать, участвовать в диагностике помогут побороть неприязнь людей и даже вызвать интерес к лечению. Цифровая стоматология не ограничена аппаратными средствами и специалистами, а работает на большом количестве данных с высокой производительностью².

Определение и принципы работы ИИ

Искусственный интеллект — система программ и протоколов, а также прописанный алгоритм. Это сложная система, которая работает по принципу человеческого мозга, состоящего из нейронов. Она понимает, распознаёт, обучается, запоминает и анализирует. Сначала в систему загружают входные данные: записи из карточки пациента, изображения. Затем информация обрабатывается более глубокими слоями, выявляя закономерности и зависимости. Выходной слой выдаёт результат в виде диагноза, схемы лечения, прогноза ^2,3.

Примеры алгоритмов и технологий, применяемых в стоматологии

Для оптимизации диагностики, анализа данных и планирования лечения используют различные технологии и алгоритмы. Рассмотрим некоторые из них:

Машинное обучение (machine learning, ML) — метод обучения на решениях множества сходных примеров. Этот подход применяют для анализа рентгеновских снимков, предсказаний вероятности развития заболеваний зубов и дёсен. Основываясь на исторических данных⁴.

**Глубокое обучение (deep learning, DL) **— вариант обучения с применением многослойных нейронных сетей. Система сама определяет алгоритм решения, обучается на ошибках, распознаёт структуры на сложных снимках и создаёт целостное представление о структурах⁵.

Регрессионные модели — основаны на математической модели регрессионного типа. Могут использоваться для градаций по уровню цвета зубных протезов⁶. Также регрессионный анализ применяют для создания диагностических таблиц, графиков и т.д. для учёта исходных параметров зубов и челюстей (средней индивидуальной нормы)⁷.

Деревья классификации и регрессии (Classification and Regression Tree, CRT, CART) — статистический метод в виде иерархических и графических отображений переменных. Выбор переменных происходит пошагово путём исключения подгрупп совокупности. Например, методику используют для проверки эффективности средства от гиперчувствительности эмали⁸.

Методы обработки естественного языка (NLP) — в стоматологии применяют для анализа клинических описаний случаев, историй болезни, медицинских отчётов. NLP помогает резюмировать информацию, автоматически структурировать её⁹. Например, в обучении стоматологов используют описания обследований пациентов в виде структурированной базы. Создаются материалы по типам зубочелюстного аппарата, видам и степени патологии. Откалиброванные данные служат обучающим материалом для студентов¹⁰.

CAD/CAM (Computer-Aided Design и Computer-Aided Manufacturing) — компьютерное моделирование с производством стоматологических изделий под управлением ЭВМ. Это цифровая технология автоматизации создания зубных протезов, мостов, виниров, коронок от проектирования заготовки до фрезеровки. Используется для высокоточной эстетической реставрации зубного ряда¹¹.

**Augmented Reality (AR) and Virtual Reality (VR) ** — технологии виртуальной и дополненной реальности. Симуляторы широко используются для обучения и отработки практических навыков докторов¹².

Как используют искусственный интеллект в стоматологии

Рассмотрим наиболее частое применение ИИ в стоматологии. Самое распространенное заболевание зубов — кариес. Его нужно своевременно лечить, чтобы избежать осложнений. Автоматическое обнаружение кариеса сначала опробовали на панорамных рентгенограммах третьих моляров. Свёрточная нейронная сеть показывала точность 87%. А при входных данных с изображениями зубов и челюстей Региональная свёрточная сеть (R-CNN) научилась определять здоровые, поражённые и пролеченные зубы^1,13.

Пародонт удерживает зуб, а его патологии в конечном итоге ведут к потере зуба. ИИ определяет стадию пародонтита, определяет границы зубов, имплантатов, наличие пломб в корневых каналах, процент потери костной ткани^1,13.

Диагностика и исправление дефектов зубочелюстной системы отнимает немало ресурсов. ИИ анализирует цефалометрические ориентиры, определяет неправильный прикус и необходимость удаления зуба. Также прогнозирует финальный результат расположения зубов после вмешательства¹³.

ИИ умеет анализировать качественные рентгенограммы зубо-челюстного аппарата и выдаёт диагноз и варианты курса лечения. Специалист может подобрать подходящую терапию для конкретного случая, учитывая все особенности пациента. 3D-модели зубов и дёсен помогают сделать имплантаты или протезы с учётом анатомических особенностей пациента¹.

Перспективы ИИ

Искусственный интеллект позволяет стоматологам справляться с трудоёмкими рутинными задачами. Например, навигационные системы помогут хирургам определить правильное расположение имплантата, чтобы установить его. Ещё одно направление — это работа с каналами, с которыми стоматологам тяжело работать из-за сложного анатомического устройства. ИИ определит параметры канала и обработает его в автоматическом режиме¹.

Перспективным направлением становится теледентистрия. Пациент уже и сейчас может проконсультироваться удалённо из любой точки мира без необходимости физически посещать доктора в клинике. На основании полученных данных пациента специалист проводит диагностику. В дальнейшем теледентистрия будет доступна всё большим пациентам¹.

Будущее стоматологической помощи обеспечит¹:

• автоматизация диагностики;
• оптимизация терапии;
• повышение качества и эффективности процедур.

Нейронные сети смогли правильно определить по рентгенограммам типы имплантатов с точностью выше 90% и показывали максимальную точность 96% и 97%. Благодаря ИИ удалось поставить правильный диагноз пациентам, назначить оптимальное лечение и избежать осложнений¹⁴.

Источники

1. Шанина А.Ю., ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СТОМАТОЛОГИИ. Международный научно-исследовательский журнал ▪ № 6 (132) ▪ Июнь DOI: https://doi.org/10.23670/IRJ.2023.132.40 https://research-journal.org/media/articles/5624.pdf
2. Долгалев А.А., Мураев А.А., Ляхов П.А., Ляхова У.А., Чониашвили Д.З., Золотаев К.Е., Семериков Д.Ю., and Аванисян В.М.. "АРХИТЕКТОНИКА СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ В СТОМАТОЛОГИИ. ОБЗОР ЛИТЕРАТУРЫ" Главный врач Юга России, no. 5 (86), 2022, pp. 2- http://akvarel2002.ru/assets/files/GlaVrach-№5%20(86)%202022.pdf
3. Musleh, Dhiaa & Almossaeed, Haya & Balhareth, Fay & Alqahtani, Ghadah & Alobaidan, Norah & Altalag, Jana & Aldossary, May. (2024). Advancing Dental Diagnostics: A Review of Artificial Intelligence Applications and Challenges in Dentistry. Big Data and Cognitive Computing. 8. 66. 10.3390/bdcc8060066. https://www.researchgate.net/publication/381262917_Advancing_Dental_Diagnostics_A_Review_of_Artificial_Intelligence_Applications_and_Challenges_in_Dentistry
4. https://ru.wikipedia.org/wiki/Машинное_обучение
5. Lin, YC., Chen, MC., Chen, CH. et al. Fully automated film mounting in dental radiography: a deep learning model. BMC Med Imaging 23, 109 (2023). https://doi.org/10.1186/s12880-023-01064-9, https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-023-01064-9
6. Гафуров К.А. Разработка информационной модели для синтеза цветовых компонентов металлопластиковых зубных протезов. УДК 004:621.391(004:9). DOI: 10.26102/2310-6018/2020.29.2.036 https://moitvivt.ru/ru/journal/article?id=768&class=country
7. Токаревич, И.В. П Общая ортодонтия: учеб. пособие / И.В. Токаревич, Н.В. Корхова, И.В. Москалева, Л.В. Кипкаева, Т.В. Терехова, Д.В. Хандогий, Ю.Я. Наумович, С.С. Денисов. – Минск: БГМУ, 2015. – 219 с. https://www.bsmu.by/upload/docs/kafedri/k_ortodont/2020-2/ump-3.pdf
8. Machuca, C., Vettore, M.V., Krasuska, M. et al. Using classification and regression tree modelling to investigate response shift patterns in dentine hypersensitivity. BMC Med Res Methodol 17, 120 (2017). https://doi.org/10.1186/s12874-017-0396-3 https://bmcmedresmethodol.biomedcentral.com/articles/10.1186/s12874-017-0396-3
9. Pethani, Farhana & Dunn, Adam. (2023). Natural language processing for clinical notes in dentistry: A systematic review. Journal of Biomedical Informatics. 138. 104282. 10.1016/j.jbi.2023.104282. https://www.researchgate.net/publication/366935681_Natural_language_processing_for_clinical_notes_in_dentistry_a_systematic_review
10. Zhang, Y., Bogard, B. & Zhang, C. Development of Natural Language Processing Algorithm for Dental Charting. SN COMPUT. SCI. 2, 309 (2021). https://doi.org/10.1007/s42979-021-00673-x https://link.springer.com/article/10.1007/s42979-021-00673-x
11. Усмонов Мухаммадсоли Акмалжон угли, Санкт-Петербургский государственный университет Факультет стоматологии и медицинских технологий ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА ПРИМЕНЕНИЕ ТРЕХМЕРНЫХ ТЕХНОЛОГИЙ В СТОМАТОЛОГИИ. Научный руководитель: Доктор медицинских наук; профессор, выполняющий лечебную работу, кафедры стоматологии Факультета стоматологии и медицинских технологий СПбГУ Соколович Наталия Алексан, Санкт-Петербург – 2023 https://dspace.spbu.ru/bitstream/11701/42583/3/USMONOV_M.A._PRIMENENIE_TREHMERNYH_TEHNOLOGIJ_V_STOMATOLOGII.pdf
12. Зеленский М.М., Рева С.А., Шадеркина А.И. Виртуальная реальность (VR) в клинической медицине: международный и российский опыт. Российский журнал телемедицины и электронного здравоохранения 2021;7(3):7-20; https://doi.org/10.29188/2712-9217-2021-7-3-7-20 https://jtelemed.ru/article/virtualnaja-realnost-vr-v-klinicheskoj-medicine-mezhdunarodnyj-i-rossijskij-opyt
13. Joudi, Niama & Bennani Othmani, Mohammed & Bourzgui, Farid & Mahboub, Oussama & LAZAAR, Mohamed. (2022). Review of the role of Artificial Intelligence in dentistry: Current applications and trends. Procedia Computer Science. 210. 173-180. 10.1016/j.procs.2022.10.134. https://www.researchgate.net/publication/365384999_Review_of_the_role_of_Artificial_Intelligence_in_dentistry_Current_applications_and_trends
14. Kim J.E. Transfer Learning via Deep Neural Networks for Implant Fxture System Classification Using Periapical Radiographs / J.E. Kim, N.E. Nam, J.S. Shim et al. // Transfer Learning via Deep Neural Networks for Implant Ffixture System Classification Using Periapical Radiographs. — 2020. — №9. — URL: https://www.mdpi.com/2077-0383/9/4/1117. DOI: 10.3390/jcm9041117