Метод глубокого обучения для выявления и сегментации кариеса на прикусных рентгенограммах

Цель: Разработать автоматическую модель выявления и сегментации кариеса на прикусных рентгенограммах зубов на основе алгоритмов сверточных нейронных сетей с использованием архитектур VGG-16 и U-Net и оценить ее клиническую эффективность в сравнении с оценкой врачами.

Методы: Для разработки системы искусственного интеллекта (CranioCatch, Эскишехир, Турция), предназначенной для выявления и сегментации кариозных поражений, использовали 621 обезличенную прикусную рентгенограмму. Рентгенограммы были получены из архива лучевых исследований кафедры челюстно-лицевой радиологии стоматологического факультета Университета Орду. Для выявления и сегментации кариозных поражений соответственно применяли модели VGG-16 и U-Net, реализованные в PyTorch.

Результаты: Чувствительность и точность выявления кариеса составили 0,84 и 0,81 соответственно, а сегментации кариеса — 0,84 и 0,86. Значение F-меры составило 0,84 для выявления и 0,84 для сегментации. При сравнении с результатами пяти опытных специалистов на внешнем наборе рентгенограмм модели искусственного интеллекта превосходили врачей-ассистентов.

Выводы: Алгоритмы искусственного интеллекта на основе сверточных нейронных сетей потенциально способны точно и эффективно выявлять и сегментировать кариес на прикусных рентгенограммах. Алгоритмы глубокого обучения могут помогать врачам в повседневной клинической практике, обеспечивая быстрое и надежное выявление кариеса. Их применение в стоматологии в качестве системы поддержки принятия клинических решений может существенно помочь врачам.