«Междисциплинарный диалог науки и общества
в эпоху экологических перемен»
101
ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В
ОРТОДОНТИИ КАК ИНСТРУМЕНТ ДИАГНОСТИКИ И
ПЛАНИРОВАНИЯ ЛЕЧЕНИЯ
Абдукадырова Амалия
Маматраимовнa
Ординатор, Кафедра ортодонтии и зубного протезирования, Ташкентский
государственный стоматологический институт
Ташкент, Узбекистан
Аннотация.
Искусственный интеллект (ИИ) в ортодонтии
продемонстрировал высокий потенциал в принятии клинических решений,
способствуя повышению эффективности диагностики и планового лечения
в рамках цифрового рабочего процесса
.
Ключевые слова:
Искусственный интеллект, диагностика,
ортодонтия, планирование лечения.
Введение
В настоящее время искусственный интеллект (ИИ) становится
технологической основой множества приложений в самых разных сферах
повседневной жизни. Термин «искусственный интеллект» носит
обобщённый характер и обозначает способность компьютерных систем
имитировать человеческую когнитивную деятельность. Часто, сами того не
осознавая, мы взаимодействуем с ИИ: на основе разнообразных обучающих
данных специализированные алгоритмы формируют математические
модели, способные выявлять закономерности и принимать решения без
явного программирования под конкретные задачи.
ИИ представляет собой направление в области компьютерных наук,
связанное с возможностями машин моделировать когнитивные функции
человеческого мозга. За последнее десятилетие ИИ продемонстрировал
значительный прогресс
в решении задач различной сложности. Наиболее
значимыми направлениями ИИ являются машинное обучение и
экспертные системы. Машинное обучение ориентировано на анализ
конкретных данных с целью повышения точности и эффективности
прогнозов и решений. Благодаря
высокой адаптивности, способности к
обобщению, обработке больших объёмов информации и широкому доступу
к алгоритмам с открытым исходным кодом, оно стало одной из наиболее
развитых и перспективных областей ИИ.
Увеличение вычислительных мощностей в последние годы сделало
возможным применение этих алгоритмов в задачах возрастающей
сложности. Это, в свою очередь, привело к радикальным изменениям в ряде
«Междисциплинарный диалог науки и общества
в эпоху экологических перемен»
102
медицинских
дисциплин
благодаря
интеграции
технологий
искусственного интеллекта.
Применение искусственного интеллекта в медицине демонстрирует
впечатляющие результаты в поддержке клинического принятия решений,
а в некоторых случаях ИИ даже превосходит опытных врачей по точности
диагностики. Это способствует экспоненциальному росту числа научных
публикаций,
посвящённых
интеграции
ИИ
в
повседневную
ортодонтическую практику.
Современная
литература
представляет
широкий
спектр
перспективных методов, включающих диагностику, планирование лечения
и прогнозирование его результатов в ортодонтии. Среди них —
сегментация анатомических и патологических структур на изображениях,
определение референтных точек, а также помощь в принятии клинических
решений. Такие инструменты оказываются полезными даже для опытных
специалистов, позволяя существенно экономить время на выполнение ряда
диагностических процедур. Для начинающих врачей ИИ может служить
важной поддержкой в процессе принятия решений и способствовать
повышению качества оказания медицинской помощи.
Тем не менее, внедрение ИИ в клиническую практику требует
тщательного анализа
научной обоснованности предлагаемых алгоритмов.
Необходимо осознавать ограничения и потенциальные риски, связанные с
автоматизированными решениями. Искусственный интеллект следует
рассматривать
как
вспомогательный
инструмент,
усиливающий
клиническое мышление, а не как полную его замену. Ответственность за
окончательное решение по
-
прежнему должна оставаться за специалистом.
Цель исследования
Обзор современных приложений искусственного интеллекта (ИИ) в
диагностике и планировании лечения в ортодонтии, оценить его влияние
на точность, надежность и временную эффективность по сравнению с
традиционными методами, основанными на экспертной оценке, а также
обозначить текущие ограничения и перспективы внедрения ИИ в
клиническую практику.
Исследовательские материалы и методы
Данное исследование представляет собой обзор литературы,
выполненный в соответствии с рекомендациями PRISMA
-ScR (Preferred
Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping
Reviews). В рамках анализа из каждой статьи извлекались данные о типе и
наименовании
используемой
информации
(2D/3D
-
изображения,
рентгенограммы, КТ, цифровые модели и др.), применяемых алгоритмах
автоматизированного анализа, целях их использования, показателях
эффективности (точность, чувствительность, специфичность), а также
«Междисциплинарный диалог науки и общества
в эпоху экологических перемен»
103
степени участия человека в интерпретации результатов. Полученные
данные были обобщены и систематизированы для выявления
современных тенденций и определения перспектив использования
искусственного интеллекта в ортодонтии.
Ортодонтическая
диагностика
и
планирование
лечения
предполагают интерпретацию множества диагностических данных,
включая интра
-
и экстраоральные фотографии, рентгенологические
изображения, оттиски или цифровые сканы зубных рядов, а также сбор и
анализ анамнеза пациента. Совокупность этой информации служит
основой для постановки диагноза и выбора оптимальной стратегии
лечения.
Преимущества ИИ особенно выражены при обработке и
интерпретации визуальных данных. В течение последних десятилетий в
ортодонтической практике широко применялись традиционные методы
компьютерной визуализации, такие как программное обеспечение
WEBCEPH. Однако в последние годы использование сверточных нейронных
сетей (CNN) демонстрирует значительно более высокую эффективность
при выполнении задач автоматизированного анализа изображений, что
открывает новые горизонты в диагностике и планировании
ортодонтического лечения.
Помимо анализа ТРГ, ИИ начал применяться также для:
1.
Оценки роста и развития зубочелюстной системы.
2.
Прогнозирования этапов сменного прикуса.
3.
Анализа лицевых и интраоральных фотографий.
4.
Определения степени асимметрии лица.
5.
Тип лицевого скелета и профиль.
Критерии оценки
Приведённые выше примеры наглядно демонстрируют, что уже
сегодня существует ряд перспективных направлений применения
искусственного интеллекта (ИИ) в ортодонтии. Особенно важно отметить,
что для начинающих клиницистов технологии ИИ могут стать полезным
инструментом при постановке диагноза и принятии сложных клинических
решений. Для опытных специалистов ключевым преимуществом
становится значительная экономия времени, которую обеспечивают ИИ
-
системы.
Одним из примеров является расчерчивание ТРГ
-
снимков, которое
требует как времени, так и определённого уровня квалификации.
Погрешности
могут
возникать
уже
на
этапе
получения
рентгенологического изображения, а при его ручной интерпретации —
лишь усугубляться. В этом контексте применение ИИ позволяет повысить
точность анализа и минимизировать влияние человеческого фактора.
«Междисциплинарный диалог науки и общества
в эпоху экологических перемен»
104
Кроме того, внедрение ИИ в повседневную клиническую практику
способствует улучшению качества ортодонтического обслуживания.
Алгоритмы могут служить не только в качестве вспомогательного
инструмента, но и как форма «второго мнения», предоставляя врачу
дополнительную экспертную оценку, тем самым снижая риск
диагностических и тактических ошибок.
Тем не менее, обучение алгоритмов искусственного интеллекта (ИИ)
остаётся крайне трудоёмким процессом, требующим большого объема
качественных обучающих данных. На основе этих данных алгоритм должен
выявить универсальные закономерности, применимые к аналогичным
клиническим ситуациям в медицине и стоматологии. Это представляет
собой серьёзную задачу, поскольку требует значительных временных,
трудовых и финансовых ресурсов. Обучающие выборки должны
охватывать широкий спектр клинических случаев —
пациентов разного
возраста, этнической принадлежности, с различными аномалиями
развития, а также изображения, полученные на разных диагностических
устройствах. Такой подход обеспечивает устойчивость модели к
разнообразию условий реальной практики.
Дополнительно, важно, чтобы данные формировались на основе
консенсуса между несколькими экспертами, что позволяет снизить
влияние субъективного фактора и обеспечить воспроизводимость
результатов.
В этом и заключается одно из ключевых ограничений большинства
существующих исследований в области применения ИИ в ортодонтии.
Нередко в качестве стандарта для обучения и валидации алгоритмов
используется мнение одного или двух специалистов, что существенно
повышает риск предвзятости, даже несмотря на полученные
обнадёживающие результаты. Более того, лишь немногие работы
включают
клинические
испытания,
способные
подтвердить
эффективность ИИ в реальных условиях. В результате, данные, полученные
в лабораторной среде, могут не воспроизводиться в рутинной клинической
практике, где влияют многочисленные внешние факторы.
Это особенно важно учитывать в контексте того, что на рынке уже
представлены коммерческие программные продукты на базе ИИ,
предназначенные для решения различных ортодонтических задач. Однако
многие из этих систем не раскрывают методологическую основу, на
которой построены их алгоритмы. В связи с этим крайне важно при их
использовании опираться на наличие независимой научной экспертизы,
доказательств
эффективности,
точности
и
воспроизводимости.
Параллельно необходимо развитие независимых систем оценки качества
«Междисциплинарный диалог науки и общества
в эпоху экологических перемен»
105
таких ИИ
-
решений, чтобы по результатам внешнего тестирования
разработчики могли совершенствовать свои алгоритмы.
Учитывая стремительное развитие ИИ
-
технологий, можно ожидать,
что в ближайшем будущем ИИ станет неотъемлемой частью диагностики и
планирования лечения в ортодонтии. Однако для этого необходимо тесное
взаимодействие разработчиков коммерческих решений с научным
сообществом, а также формирование прозрачной и доказательной базы для
клиницистов. Даже при высоком уровне развития, ИИ вряд ли заменит
профессиональные знания и клинический опыт врача, однако может стать
ценным инструментом поддержки принятия решений и компонентом
системы повышения качества ортодонтической помощи.
Результаты
ИИ показывает высокую точность и скорость в диагностике
ортодонтических случаев, особенно в интерпретации изображений.
Направление
применения ИИ
Используемые
данные
Технологии и
алгоритмы
Достижения /
Результаты
Ограничения
Цефалометрический
анализ (ТРГ)
2D рентген
Нейросети
(CNN), WEBCEPH
Увеличение
точности и скорости
разметки
анатомических
точек
Зависимость от
качества исходного
изображения и
данных для
обучения
Определение типа
лицевого скелета и
профиля
Фотографии,
ТРГ
Машинное
обучение, CNN
Высокая точность
определения
морфологических
характеристик
Не все алгоритмы
протестированы в
реальных условиях
Оценка роста и
смены прикуса
Снимки и
цифровые
модели
Прогностическое
моделирование
Возможность
предсказания этапов
развития
Недостаточное
разнообразие
данных (этнические
и возрастные
группы)
Анализ лицевой
асимметрии
3D
изображения,
фото
Сегментация,
паттерн
-
распознавание
Более объективная
оценка по
сравнению с
визуальной
Требует
стандартизации
методик
Прогноз успеха и
осложнений
лечения
Клинические
протоколы,
история
болезни
Большие
обучающие
выборки + ML
Повышение качества
планирования и
минимизация рисков
Большой объём
обучающих данных
и разметки, часто
недоступен
Общая диагностика
и классификация
окклюзий
2D/3D снимки,
оттиски,
цифровые
модели
Комплексные
ИИ
-
системы
Возможность
автоматизированной
классификации
Отсутствие
прозрачности в
коммерческих
решениях
Поддержка
принятия
клинических
решений
Все виды
входных
данных
Гибридные
экспертные
системы
Экономия времени,
особенно для
начинающих
специалистов
Не заменяет
клиническое
мышление, требует
профессиональной
валидации
«Междисциплинарный диалог науки и общества
в эпоху экологических перемен»
106
Наибольший потенциал —
в сегментации, определении референсных
точек, прогнозировании и оценке асимметрий. Главные ограничения
связаны с: недостаточной научной обоснованностью отдельных
коммерческих продуктов, ограниченностью и предвзятостью обучающих
данных, отсутствием клинических испытаний у многих ИИ
-
систем.
Заключение
Современные системы искусственного интеллекта постепенно
приближаются к способности выполнять комплексный анализ, включая
классификацию пациентов по типу окклюзии и прикуса. Это достигается за
счёт мультифакторного анализа рентгеновских снимков, клинических
фотографий и цифровых моделей зубных рядов. Обучение таких программ
происходит на основе тысяч клинических протоколов с экспертной
аннотацией, что позволяет алгоритмам достигать уровня, сопоставимого с
профессиональными ортодонтами. Кроме того, результаты ряда
исследований демонстрируют перспективность использования ИИ для
прогнозирования успеха ортодонтического лечения и возможных
осложнений. Такие прогнозы формируются на основе анализа больших
массивов данных, включающих сведения о применённых методах терапии,
исходной клинической картине и индивидуальных особенностях пациента.
Библиографические
ссылки
:
1. Dai, X.; Zhao, H.; Liu.
Определение анатомических ориентиров на
боковых цефалограммах с использованием состязательных энкодер
-
декодерных сетей.
IEEE Access, 2019.
2. Zeng, M.; Yan, Z.; Liu, S.; Zhou, Y.; Qiu, L
. Каскадные сверточные
нейронные сети для автоматического определения цефалометрических
ориентиров.
Med. Image Anal., 2021.
3. Kunz, F.; Stellzig-Eisenhauer, A.; Zeman, F.; Boldt, J
. Искусственный
интеллект
в
ортодонтии:
оценка
полностью
автоматического
цефалометрического анализа с использованием индивидуализированной
сверточной нейросети.
J. Orofac. Orthop., 2020.
4. J.H.; Hong, M.; Kang, K.H.; Lim, S.H.; Kim, S.J.; Kim, Y.H
.; и др. Точность
автоматического определения цефалометрических ориентиров с
использованием каскадных сверточных нейронных сетей на данных из
многопрофильных медицинских центров.
Orthod. Craniofacial Res., 2021.
5. Lee, C.; Ha, E.-G.; Choi, Y.J.; Han, S.-S
. Полностью глубокая нейросеть
для автоматического определения цефалометрических ориентиров при
помощи ИИ.
Imaging Sci. Dent., 2021.
6. Kang, J.; Oh, I.S.; Kim, J.G.; Yang, Y.M.; Lee, D.W
. Эффективность
сотрудничества человека и искусственного интеллекта при определении
цефалометрических ориентиров.
J. Pers. Med., 2022.
«Междисциплинарный диалог науки и общества
в эпоху экологических перемен»
107
7. Zhong, Z.; Li, J.; Zhang, Z.; Jiao, Z.; Gao, X.
Модель глубокого
регрессионного обучения с направленным вниманием для определения
ориентиров на цефалограммах.
Cornell University, Ithaca, NY, USA, 2019.
8. Song, Y.; Qiao, X.; Iwamoto, Y.; Chen, Y.-W
. Автоматическое
определение
цефалометрических
ориентиров
на
рентгеновских
изображениях с использованием методов глубокого обучения.
Appl. Sci.,
2020.
