Выявление и диагностика кариеса зубов с использованием алгоритма глубокой сверточной нейронной сети

Цель: Глубокие сверточные нейронные сети (CNN) — быстро развивающееся направление медицинских исследований, продемонстрировавшее впечатляющие результаты в диагностике и прогнозировании в радиологии и патологии. Целью настоящего исследования была оценка эффективности алгоритмов глубоких CNN для выявления и диагностики кариеса зубов по периапикальным рентгенограммам.

Материалы и методы: В общей сложности 3000 периапикальных рентгенограмм разделили на обучающую и валидационную выборки (n = 2400 [80%]) и тестовую выборку (n = 600 [20%]). Для предварительной обработки данных и переноса обучения использовали предварительно обученную сверточную нейронную сеть GoogLeNet Inception v3. Для оценки способности алгоритма глубокой CNN выявлять и диагностировать кариес рассчитывали диагностическую точность, чувствительность, специфичность, положительную прогностическую ценность, отрицательную прогностическую ценность, характеристическую кривую ROC и площадь под кривой (AUC).

Результаты: Диагностическая точность моделей для премоляров, моляров и одновременно премоляров и моляров составила соответственно 89,0% (80,4–93,3), 88,0% (79,2–93,1) и 82,0% (75,5–87,1). Для модели премоляров алгоритм глубокой CNN достиг значения AUC 0,917 (95% ДИ 0,860–0,975), для модели моляров — 0,890 (95% ДИ 0,819–0,961), а для объединённой модели премоляров и моляров — 0,845 (95% ДИ 0,790–0,901). Наилучшее значение AUC было получено для модели премоляров; оно было статистически значимо выше, чем для остальных моделей (P < 0,001).

Выводы: Результаты продемонстрировали потенциальную пользу архитектуры глубокой CNN для выявления и диагностики кариеса зубов. Алгоритм глубокой CNN показал достаточно высокую эффективность при выявлении кариеса на периапикальных рентгенограммах.

Клиническая значимость: Ожидается, что алгоритмы глубоких CNN войдут в число наиболее эффективных методов диагностики кариеса зубов.