
Ортодонтическое лечение обычно является длительной процедурой со средней продолжительностью лечения около 29 месяцев, поэтому врачи-ортодонты должны стать более эффективными, чтобы адаптироваться к потребностям общества. Применение методов машинного обучения на основе алгоритмов искусственного интеллекта (ИИ) может помочь решить эту проблему. За последние десятилетия в этой профессии произошли огромные изменения. Появление новых и более эстетичных вариантов стоматологической помощи, переход к полностью цифровому рабочему процессу, появление временных анкерных устройств и новых методов визуализации — всё это работает на то, чтобы предоставить как пациентам, так и специалистам новые возможности в этой сфере. Современные специализированные приложения могут помочь врачам принимать более обоснованные решения и работать лучше, поскольку результаты, полученные с помощью ИИ, очень точны и, следовательно, в некоторых случаях могут предотвратить человеческие ошибки.
Чтобы сделать диагностический процесс более точным и эффективным, в последние годы значительно возросло использование ИИ в стоматологии. Эти знания имеют основополагающее значение для прогнозирования и составления планов лечения. Однако добавление этих знаний не меняет того факта, что специалисты в области здравоохранения, обладающие собственными знаниями, полученными в ходе специализированного обучения и многолетнего опыта, в конечном итоге, должны сами диагностировать проблему, определяя наилучший план оказания помощи пациенту. Тем не менее, ИИ может быть полезен при принятии конкретных клинических решений в ограниченное время.
Чтобы оценить влияние инноваций на ортодонтию, для начала важно выделить некоторые ключевые термины, связанные с ИИ:
1. Основная цель этой технологии — предоставить машине возможность иметь свой собственный интеллект. Другими словами, «искусственный разум» стремится к тому, чтобы машина могла учиться на основе данных, предоставляя врачу варианты решений проблемы самостоятельно.
2. Машинное обучение (ML — Machine learning) является базовой основой ИИ. Оно зависит от алгоритмов для прогнозирования результатов, на основе наборов данных, и черпает влияние из многих исследовательских дисциплин. Его цель — облегчить алгоритмам обучение на основе данных, чтобы программное обеспечение могло решать проблемы без человеческого участия. Наиболее часто используемые методы ML включают в себя:
— метод опорных векторов (SVM — support vector machine);
— логистическую регрессию (LR — logistic regression);
— байесовский классификатор;
— дерево решений (DT — decision tree);
— алгоритм случайного леса (RF — random forest);
— экстремальную обучающую машину (ELM — extreme learning machine);
— различные архитектуры свёрточных нейронных сетей (CNN — convolution neural network) и другие методы.
Нейронные сети — это набор алгоритмов, которые вычисляют сигналы с помощью искусственных нейронов, пытающиеся имитировать работу нейронов в человеческом мозге.
Глубокое обучение (DL — deep learning) является неотъемлемой частью машинного обучения, использующее различные компьютерные слои в глубоких нейронных сетях для анализа входных данных. Его цель — построить нейронную сеть, которая может автоматически распознавать шаблоны для улучшения обнаружения конкретных признаков в больших наборах данных, зачастую получаемых из нескольких источников, которые можно использовать для распознавания закономерностей, определяющих индивидуальный опыт для разных людей.
Последние технологические инновации, включая конусно-лучевую компьютерную томографию (КЛКТ) и 3D-визуализации, внутриротовые и лицевые сканеры, возможности программного обеспечения для мгновенного моделирования зубов, а также новые разработки приборов с использованием робототехники и 3D-печати, меняют облик медицинской помощи, быстро внедряясь в различные стоматологические дисциплины.
Эти инструменты позволяют лучше понять анатомию пациента и способны создавать динамические анатомические реконструкции для конкретного пациента, а, следовательно, обеспечивают возможность 3D-планирования лечения. Свёрточные нейронные сети (CNN) все чаще применяются для диагностики медицинских изображений, чаще всего для обнаружения, сегментации или классификации анатомических структур. Глубокое обучение также недавно начало активно использоваться для изучения и классификации геометрических признаков. Подходы машинного обучения, которые представляют собой алгоритмы, обученные определять закономерности в больших наборах данных, идеально подходят для облегчения принятия взвешенных обоснованных решений на основе предыдущей практики многих медицинских случаев.
Вот только некоторые из недавних применений инновационных технологий в ортодонтии:
1. Экспертная система диагностики извлечений, используя нейросетевое машинное обучение на основе искусственного интеллекта, стала внедряться во многих стоматологических клиниках Ю. Кореи, как справочное пособие для менее опытных врачей при оценке необходимости удаления зубов.
2. Диагностика решения о хирургическом/нехирургическом вмешательстве и определение необходимости удаления зуба по изображениям боковой цефалометрической рентгенограммы, применяется для диагностики случаев ортогнатической хирургии.
3. Отличным средством выполнения автоматического анализа для мгновенного определения цефалометрических ориентиров с высокой точностью стало применение экспертной специализированной системы на основе искусственного интеллекта, которая проводит аналитику рентгенограмм.
4. Быстрая и эффективная сегментация изображений КЛКТ позволяет эффективно анализировать большие наборы клинических данных для оценки изменений структуры верхней челюсти при одностороннем прорезывании клыков.
5. Протокол на основе глубокого обучения может автоматически сегментировать верхнюю челюсть для количественной оценки трёхмерной асимметрии верхней челюсти у пациентов с односторонней расщелиной губы и неба.
Однако важно помнить, что не существует единственно правильного ответа на диагностику удаления зубов. Как правило, большинство ортодонтов решают, необходимо ли удаление, на основе своего опыта и знаний, анализируя данные клинической оценки своих пациентов, фотографии, слепки зубов и рентгенограммы. Одна из проблем заключается в том, что это часто приводит к внутри- и межклинической вариабельности в процессе планирования лечения. Подражая принятию решений экспертами-людьми, разрабатывается экспертная система ИИ на основе различных философий диагностики для содействия процессу принятия решений. Необходимо отметить, что для достижения успешного ортодонтического лечения решающее значение имеет наличие подробных диагнозов, точных планов лечения и точных прогнозов результатов. Все эти данные лучше всего сохранять на специальных выделенных серверах дата-центров в обезличенном виде, а также ограничить предоставление доступа к данной системе только специалистам клиник по жёсткой системе идентификации. Тем не менее, окончательное решение всегда будет принадлежать врачам-клиницистам.
Диагностическая ценность анализа зависит от точности и воспроизводимости идентификации ориентиров. В ортодонтической практике боковая цефалометрия широко используется для классификации скелета и планирования лечения. Включение свёрточной нейронной сети может обеспечить точную и надёжную систему диагностики скелета. А метод глубокого обучения без вмешательства человека может эффективно преодолеть ограничения, связанные с ручными методами идентификации.
ИИ также использовался для автоматического определения и классификации скелетных аномалий прикуса посредством анализа 3D-изображений черепно-лицевой области с помощью КЛКТ. Быстрая и эффективная сегментация изображений КЛКТ позволит эффективно анализировать большие наборы клинических данных, помогая стоматологам в определении наилучшего пути лечения для пациента, будь то ортодонтическое лечение, хирургическое вмешательство или их комбинация. Методы машинного обучения могут помочь определить цефалометрические предикторы будущей потребности в ортогнатической хирургии у пациентов с восстановленной односторонней расщелиной губы и нёба.
Оценка костного возраста и зрелости скелета и её сравнение с хронологическим возрастом является важной задачей для диагностики детской эндокринологии, ортодонтии и ортопедических расстройств. Поскольку эта оценка является трудоёмкой деятельностью, на которую может влиять изменчивость, использование методов, которые могут автоматизировать данную процедуру, имеет большое значение для стоматологической практики.
Рост и развитие могут быть определены по стадиям шейных позвонков, которые можно предсказать/классифицировать с помощью различных алгоритмов ИИ. Программа ANN по модели для определения возраста скелета была разработана с упором на фокусировку по признакам низкой плотности вокруг зубов, а не на морфологических признаках, которые обычно используются людьми для классификации возраста.
Сегментация зубов является одним из ключевых шагов в компьютерной ортодонтической технологии, и её точность тесно связана с результатом лечения. Эта процедура требует точного позиционирования и извлечения форм зубов на трёхмерном цифровом дентальном слепке пациента (или внутриротовом сканировании). Алгоритмы машинного обучения с использованием модели на основе свёрточных нейронных сетей для сегментации и идентификации зубов достигли улучшения производительности по сравнению с современным методом общей сегментации сетки, как для сегментации зубов, так и для задач идентификации.
Автоматизированные системы могут сэкономить много времени и повысить эффективность работы врачей. Например, использование автоматизированной цефалометрической идентификации точек или автоматизированной сегментации зубов, для обеспечения предварительного просмотра результатов лечения, помогает сократить время планирования всего курса ортодонтической помощи пациенту. Кроме того, с помощью методов глубокого обучения можно устранить субъективность, связанную с принятием решений человеком — ведь традиционные ручные методы включают относительно более высокую степень ошибок из-за этой субъективности, что может привести к увеличению случаев ошибочного прогнозирования. Аналогичным образом, эти системы могут использоваться для аналитики вторичных мнений, чтобы повысить точность диагностики. Тем не менее, врачи всегда должны доверять своему клиническому суждению прежде всего.