Диагностические инструменты на основе искусственного интеллекта: применение свёрточной нейронной сети для рентгенологической оценки уровня альвеолярной кости — ретроспективное исследование

Введение: Целью исследования была разработка системы компьютерного обнаружения на основе алгоритма глубокой свёрточной нейронной сети (CNN), а также оценка её точности и практической ценности для выявления потери альвеолярной кости на прицельных внутриротовых рентгенограммах переднего отдела зубных дуг. Кроме того, оценивали возможность применения системы для классификации степени потери костной ткани вследствие заболеваний пародонта.

Методы: Из системы управления данными ROMEXIS Университета медицинских наук имени короля Сауда бин Абдулазиза были получены 1724 прицельные внутриротовые рентгенограммы верхних и нижних передних зубов 1610 взрослых пациентов. Для выбора оптимального алгоритма CNN использовали рентгенографические изображения и сочетание предварительно обученной архитектуры глубокой CNN с самостоятельно обученной сетью. С помощью алгоритма глубокой CNN, реализованного на Python, рассчитывали диагностическую и прогностическую точность, прецизионность, матрицу ошибок, полноту, F1-меру, коэффициент корреляции Мэтьюса (MCC), каппу Коэна и другие показатели.

Результаты: Набор прицельных рентгенограмм случайным образом разделили на обучающую выборку (70%), валидационную выборку (20%) и тестовую выборку (10%). При использовании алгоритма глубокого обучения точность классификации изображений как нормальных или патологических составила 73,0%, а точность классификации степени потери костной ткани — 59%. Между бинарной и многоклассовой моделями выявлены значимые различия по матрице ошибок, точности, прецизионности, полноте, F1-мере, MCC, каппе Коэна и характеристикам рабочей ROC-кривой.

Выводы: Алгоритм глубокой CNN VGG-16 оказался пригодным для выявления потери альвеолярной кости на прицельных рентгенограммах и продемонстрировал удовлетворительную способность определять её степень в области зубов. Результаты указывают на возможность повышения эффективности машинных методов при классификации степени поражения и использовании характеристик, извлечённых из диагностических изображений. При дополнительной оптимизации набора данных по заболеваниям пародонта система компьютерного обнаружения может стать эффективным инструментом помощи в выявлении и стадировании заболеваний пародонта.