ПРИМЕНЕНИЕ ИСКУСВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ СТОМАТОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ

APPLICATION OF ARTIFICAL INTELECE IN THE DIAGNOSIS OF DENTAL DIESISES

Konstantin Kolesnikov

Student, Lingua foundation for the Arts and Humanities,

Russia, Surgut

Safia Tagieva

Student, Lingua foundation for the Arts and Humanities,

Russia, Surgut

Lilia Isyangulova

Head teacher, Lingua foundation for the Arts and Humanities,

Russia, Surgut

АННОТАЦИЯ

В статье рассматривается применение искусственного интеллекта (ИИ) в диагностике стоматологических заболеваний. В рамках исследования были собраны рентгенологические изображения здоровых зубов и зубов с различными заболеваниями. Эти изображения были загружены в сверточную нейронную сеть для обучения модели распознавания патологий. Результаты показали высокую эффективность предложенного подхода, подтверждая перспективность использования ИИ в стоматологической диагностике.

ABSTRACT

This article discusses the application of artificial intelligence (AI) in the diagnosis of dental diseases. As part of the study, radiological images of healthy teeth and teeth with various diseases were collected. These images were loaded into a convolutional neural network to train a pathology recognition model. The results showed high efficiency of the proposed approach, confirming the promising use of AI in dental diagnostics.

Ключевые слова: искусственный интеллект, стоматология, диагностика, нейронные сети, рентгенография.

Keywords: Artificial intelligence, dentistry, diagnostics, neural networks, radiography.

Введение

Современная стоматологическая практика стремится к повышению точности и скорости диагностики, что напрямую влияет на качество лечения и здоровье пациентов. Традиционные методы диагностики часто зависят от субъективной оценки врача и качества рентгенологических изображений [1]. Это может приводить к ошибкам и задержкам в постановке диагноза.

Искусственный интеллект (ИИ) и, в частности, методы глубокого обучения предоставляют новые возможности для автоматизации и повышения точности диагностики [2]. Сверточные нейронные сети (Convolutional Neural Networks, CNN) зарекомендовали себя как эффективный инструмент для анализа визуальных данных, включая медицинские изображения [3].

Цель исследования:

Разработать и оценить эффективность модели на основе ИИ для диагностики стоматологических заболеваний путем обучения нейронной сети на рентгенологических изображениях здоровых зубов и зубов с патологиями.

Гипотеза:

Использование нейронной сети, обученной на рентгенологических изображениях здоровых и больных зубов, позволит эффективно диагностировать стоматологические заболевания с высокой точностью.

Основные термины:

Искусственный интеллект (ИИ): технологии, позволяющие машинам выполнять задачи, требующие человеческого интеллекта.

Сверточная нейронная сеть (CNN): тип нейронной сети, применяемый для обработки изображений и распознавания объектов на них.

На современном этапе развития медицины применение искусственного интеллекта (ИИ) и технологий машинного обучения становится важным инструментом для решения комплекса задач в диагностике, лечении и прогнозировании различных заболеваний. Искусственные нейронные сети (ИНС), в частности, сверточные нейронные сети (Convolutional Neural Networks, CNN), зарекомендовали себя как высокоэффективные средства для анализа медицинских изображений. Они все чаще находят применение в стоматологии, демонстрируя значительный потенциал в повышении точности диагностики и увеличении скорости обработки данных.

Роль искусственного интеллекта в диагностике медицинских изображений:

Традиционные методы диагностики медицинских заболеваний во многом зависят от субъективной оценки специалиста, а также качества оборудования и изображений. Эти факторы могут привести к ошибкам, особенно в случаях слабовыраженных патологий. В отличие от человека, нейронные сети способны обрабатывать большие массивы визуальной информации за короткие сроки, находить скрытые закономерности и выдавать объективные результаты. Это делает их незаменимым инструментом для анализа рентгенологических снимков, магнитно-резонансной томографии (МРТ), компьютерной томографии (КТ) и других методов визуализации.

Сверточные нейронные сети (CNN), в частности, предназначены для работы с изображениями. Их отличительной особенностью является способность автоматически выделять признаки изображения посредством слоев свертки и подвыборки (Pooling). Такие сети "обучаются" распознавать изображения определенного класса, минимизируя вероятность ошибок. Метод был успешно внедрен в таких направлениях, как диагностика рака легких по КТ-сканам [1], анализ маммографий [2] и детекция глаукомы в офтальмологии [3].

Использование нейросетей в стоматологии:

В стоматологии рентгенографические методы диагностики являются важнейшим инструментом исследования состояния зубов и прилегающих тканей. Однако точность диагностики может варьироваться в зависимости от опыта стоматолога, качества снимков и степени выраженности патологий. В таких случаях нейросети способны стать важным дополнением к традиционным методам, облегчая постановку диагноза.

Основные направления применения нейросетей в стоматологии:

Диагностика кариеса: CNN обучаются выявлять области деминерализации эмали, которые визуально представляются на рентгенологических снимках как затемненные участки. Это позволяет обнаруживать ранние стадии кариеса, которые могут остаться незамеченными при традиционном анализе [4].

Выявление заболеваний пародонта: Нейросети применяются для оценки резорбции костной ткани и анализа межзубных пространств с целью обнаружения признаков воспаления или других патологий. Такие алгоритмы могут значительно ускорить работу пародонтолога и предотвратить прогрессирование заболевания [5].

Ортодонтия и планирование лечения: AI-алгоритмы автоматизируют анализ 3D-моделей зубных рядов, определение окклюзионных контактов и подготовку моделей для установки брекет-систем. Это сокращает время подготовки лечения и снижает риски человеческой ошибки [6].

Подготовка хирургических вмешательств: Нейросети помогают стоматологам-хирургам в планировании операций, таких как установка имплантатов, анализируя параметры плотности костной ткани и определяя оптимальное расположение конструкции.

Преимущества и вызовы использования ИИ в стоматологии

Преимущества:

Точность и скорость: Нейросети демонстрируют точность в интерпретации данных, иногда превышающую результаты экспертов-стоматологов в задачах классификации.

Автоматизация рутинных задач: Снижение нагрузки на врача позволяет ему больше времени уделить сложным клиническим случаям.

Ранняя диагностика заболеваний: ИИ может обнаружить патологию на начальных этапах, значительно повышая шансы на успешное лечение.

Объективность: в отличие от человека, нейросети не подвержены усталости или субъективным факторам.

Проблемы и вызовы:

Качество данных: для обучения моделей требуется большой объем стандартизированных и качественных изображений, что не всегда возможно обеспечить.

Этические аспекты: Использование данных пациентов требует соблюдения строгих норм конфиденциальности и защиты персональных данных.

Трудности интеграции: Многие стоматологические клиники, особенно в регионах, до сих пор не оснащены современным оборудованием, которое можно интегрировать с ИИ.

Цели применения методов исследования

Опираясь на существующий опыт использования нейронных сетей в других областях медицины, а также успешные примеры из стоматологии, становится актуальным проведение собственных исследований, направленных на оценку эффективности таких систем. Главная цель — понять, насколько применима предложенная модель в реальных условиях диагностики и может ли она помочь специалистам в рутинной практике.

Таким образом, переходя к практической части исследования, целью данного проекта становится тестирование нейросетей, обученных для анализа стоматологических рентгеновских снимков с задачей их классификации на здоровые и патологические. Ожидается, что результаты покажут возможность использования алгоритмов глубокого обучения для повышения точности и скорости диагностики стоматологических заболеваний.

Материалы и методы

Дизайн исследования:

Экспериментальное исследование с обучением нейронной сети на рентгенологических изображениях зубов.

Материалы:

Рентгенологические изображения:

Общее количество: 2 000 изображений.

Здоровые зубы: 1 000 изображений.

Зубы с заболеваниями: 1 000 изображений (кариес, пульпит, периодонтит, кисты).

Оборудование:

Компьютер с графическим процессором NVIDIA GeForce RTX 3080.

Программное обеспечение:

Python 3.8.

Библиотеки: TensorFlow, Keras, OpenCV, NumPy, Pandas.

Методы:

Сбор данных:

Из открытых баз данных сети Интернет, имеющих верификацию, собраны рентгенологические изображения, классифицированные экспертами-стоматологами на две категории: здоровые и имеющие заболевания.

Предварительная обработка данных:

Изменение размера изображений до 256x256 пикселей.

Нормализация яркости и контрастности для улучшения качества.

Аугментация данных для увеличения объема обучающей выборки:

Повороты на углы ±15 градусов.

Горизонтальные и вертикальные отражения.

Изменение масштабирования в пределах ±10%.

Разделение выборки:

Обучающая выборка: 70% данных (1 400 изображений).

Валидационная выборка: 15% данных (300 изображений).

Тестовая выборка: 15% данных (300 изображений).

Обучение нейронной сети

Архитектура модели:

Сверточные слои с фильтрами размером 3x3.

Функция активации ReLU.

Слои свертки и подвыборки (Pooling) для уменьшения размерности.

Полносвязные слои для классификации.

Выходной слой с функцией активации sigmoid для бинарной классификации.

Параметры обучения:

Функция потерь: бинарная кросс-энтропия.

Оптимизатор: Adam.

Скорость обучения: 0,0001.

Количество эпох: 25.

Размер батча: 16.

Оценка модели:

Метрики: точность (accuracy), чувствительность (recall), специфичность (specificity), F1-мера.

Построение матрицы ошибок и расчет ROC-кривой с вычислением площади под кривой (AUC).

Получение результатов

Модель протестирована на тестовой выборке.

Результаты сравнены с исходными диагнозами, установленных экспертами-стоматологами.

Обоснование выбора методов:

Использование бинарной классификации упрощает модель и повышает ее скорость работы.

Аугментация данных необходима для предотвращения переобучения из-за ограниченного объема данных.

Выбранная архитектура сети позволяет эффективно обрабатывать изображения и извлекать ключевые признаки для классификации.

Результаты

Обучение модели:

Сходимость функции потерь достигнута к 20-й эпохе.

На обучающей выборке достигнута точность 98%.

На валидационной выборке точность составила 95%.

Таблица 1.

Динамика обучения модели

Показатели на тестовой выборке:

Точность: 94%.

Чувствительность: 93% (вероятность правильного выявления заболеваний).

Специфичность: 95% (вероятность правильного определения здоровых зубов).

F1-мера: 93,5%.

Площадь под ROC-кривой (AUC): 0,97.

Таблица 2.

Матрица ошибок

Таблица 3.

Пороговые значения для ROC - кривой

Таблица 4.

Распределение вероятностей классификации

Таблица 5.

Важность областей изображения

Обсуждение

Значимость результатов:

Полученные результаты подтверждают эффективность использования ИИ в диагностике стоматологических заболеваний. Высокие значения точности, чувствительности и специфичности свидетельствуют о способности модели различать здоровые зубы и зубы с заболеваниями.

Сравнение с предыдущими исследованиями:

Результаты сопоставимы с данными других исследований в области применения ИИ в медицине. Например, в исследовании Chen et al. [4] точность классификации заболеваний зубов с использованием CNN составила 92%. Таким образом, предлагаемая модель показывает более высокую эффективность.

Ограничения исследования:

Объем данных: относительно небольшой набор данных (2 000 изображений) может ограничивать возможность обобщения результатов.

Вариативность данных: изображения получены из ограниченного числа источников, что может не отражать всю возможную вариативность клинических случаев.

Качество разметки: разметка данных осуществлялась экспертами, однако человеческий фактор может вносить неточности.

Подтверждение гипотезы:

Результаты исследования подтверждают гипотезу о том, что обучение нейронной сети на изображениях здоровых и больных зубов позволяет эффективно диагностировать стоматологические заболевания.

Перспективы дальнейших исследований:

Увеличение объема данных: сбор большего количества изображений из разных клиник и регионов.

Многоклассовая классификация: развитие модели для различения конкретных видов заболеваний.

Интеграция в клиническую практику: разработка приложений для использования модели врачами-стоматологами.

Заключение:

Внедрение разработанной модели на основе ИИ может существенно повысить точность и скорость диагностики стоматологических заболеваний, что приведет к улучшению качества лечения и профилактики.

Выводы

Модель нейронной сети, обученная на рентгенологических изображениях здоровых и больных зубов, продемонстрировала высокую эффективность в диагностике стоматологических заболеваний.

Достигнутая точность классификации составляет 94%, что подтверждает перспективность использования ИИ в стоматологии.

Применение данной модели может снизить влияние человеческого фактора и уменьшить количество диагностических ошибок.

Для дальнейшего развития необходимо проводить исследования с большим объемом данных и расширять функциональные возможности модели.

Список литературы:

1. Esteva A., Kuprel B., Novoa R. A. et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. – 2017. – Vol. 542. – P. 115–118.
2. Litjens G., Kooi T., Bejnordi B. E. et al. A survey on deep learning in medical image analysis // Medical Image Analysis. – 2017. – Vol. 42. – P. 60–88.
3. Gulshan V., Peng L., Coram M. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // JAMA. – 2016. – Vol. 316, №22. – P. 2402–2410.
4. Lee J. H., Kim D. H., Jeong S. N. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm // Journal of Dentistry. – 2018. – Vol. 77. – P. 106–111.
5. Ekert T., Wiedemann B., Prieto J. et al. Deep learning for the radiographic detection of periodontal bone loss // Scientific Reports. – 2019. – Vol. 9, №1. – P. 1–8.
6. Singh A., Kumar A., Singh S. Role of artificial intelligence in orthodontics: The next frontier // Frontiers in Dental Medicine: abstracts of the international conf. – 2021. – P. 56–60.