Аналіз ефективності моделей штучного інтелекту та машинного навчання для верифікації втрати кісткової тканини як критерію оцінки стану тканин пародонта за даними ортопантомографії

Автор(и)

DOI:

https://doi.org/10.32782/2786-7684/2025-2-7

Ключові слова:

штучний інтелект, машинне навчання, пародонтит, втрата кістки, діагностика, ортопантомограми, рентгеноло- гічне дослідження, ротова порожнина, пародонт, зуб, критерії оцінки

Анотація

Вступ. Моделі штучного інтелекту забезпечують понад 70% точність у класифікації випадків пародонтиту за різними використовуваними наборами даних, проте найзначущіша частка таких представлена саме ортопантомограмами.Мета дослідження. Проаналізувати дані щодо ефективності застосування моделей штучного інтелекту та машинного навчання для верифікації втрати кісткової тканини в проекції власних зубів як критерію оцінки стану тканин пародонта за даними ортопантомографії та встановити показники точності таких моделей у структурі комплексної діагностики пародонтологічних хворих. Матеріали та методи. Опрацювання публікацій відібраних до первинної когорти наукових робіт проводилося шляхом аналізу їх тексту та мануальної екстракції даних у відповідності до наступних досліджуваних категорій: критерії, котрі використовувалися з метою оцінки ефективності застосування моделі штучного інтелекту, орієнтованої на детекцію, квантифікацію та/або класифікацію рівня втрати кісткової тканини в проекції власних зубів за даними ортопантомограм; показники ефективності функціонування апробованих моделей у відповідності до застосовуваних критеріїв; використовувана технологія (алгоритм), яка лягла в основу розробки запропонованої цільової моделі штучного інтелекту.Результати досліджень та їх обговорення. Преваліююча частина досліджень демонструвала досвід застосування саме згорткових нейронних мереж як основного підходу у структурі моделей штучного інтелекту, орієнтованих на верифікацію та класифікацію рівня втрати кісткової тканини в проекції власних зубів за даними ортопантомограм. Кумулятивна діагностична точність таких мереж, використовуваних з вищезгаданою метою, за даними попередньо проведених досліджень складала 0,85, кумулятивна чутливість – 0,84, кумулятивна специфічність – 0,85. Опрацювання ортопантомограм з використанням моделей машинного навчання характеризувалося високою ефективністю щодо верифікації кумулятивної втрати кісткової тканини в проекції усіх наявних зубів.Висновки. В ході проведеного огляду літератури, присвяченого оцінці ефективності застосування клінічно-орієнтованих моделей штучного інтелекту та машинного навчання розроблених для верифікації втрати кісткової тканини в проекції власних зубів, було встановлено, що точність даних моделей згідно результатів опублікованих досліджень виражено зросла після 2020 року, критично наближившись до усередненого показника в 90%, хоча окремі наукові роботи демонструють відмінні показники. Дані літератури періоду 2020–2024 років засвідчують виражений позитивний ріст саме показника чутливості вищезгаданих моделей, тоді як позитивні зміни показника специфічності є менш вираженими з точки зору динаміки. Згорткові нейронні мережі представляють підхід, який найчастіше за даними літератури використовується з метою розробки моделей штучного інтелекту, орієнтованих на детекцію та класифікацію рівнів втрати кісткової тканини в проекції власних зубів за даними ортопантомографії.

Посилання

Putra RH, Doi C, Yoda N, Astuti ER, Sasaki K. Current applications and development of artificial intelligence for digital dental radiography. Dentomaxillofacial Radiology. 2022 Jan 1;51(1):20210197. https://doi.org/10.1259/dmfr.20210197

Katsumata A. Deep learning and artificial intelligence in dental diagnostic imaging. Japanese Dental Science Review. 2023 Dec 1;59:329-33. https://doi.org/10.1016/j.jdsr.2023.09.004

Revilla-León M, Gómez-Polo M, Barmak AB, Inam W, Kan JY, Kois JC, Akal O. Artificial intelligence models for diagnosing gingivitis and periodontal disease: A systematic review. The Journal of Prosthetic Dentistry. 2023 Dec 1;130(6):816-24. https://doi.org/10.1016/j.prosdent.2022.01.026

Jacobs R, Fontenele RC, Lahoud P, Shujaat S, Bornstein MM. Radiographic diagnosis of periodontal diseases–Current evidence versus innovations. Periodontology 2000. 2024 Jun;95(1):51-69. https://doi.org/10.1111/prd.12580

Lee CT, Kabir T, Nelson J, Sheng S, Meng HW, Van Dyke TE, Walji MF, Jiang X, Shams S. Use of the deep learning approach to measure alveolar bone level. Journal of clinical periodontology. 2022 Mar;49(3):260-9. https://doi.org/10.1111/jcpe.13574

Zhang J, Deng S, Zou T, Jin Z, Jiang S. Artificial intelligence models for periodontitis classification: A systematic review. Journal of Dentistry. 2025 Mar 17:105690. https://doi.org/10.1016/j.jdent.2025.105690

Turosz N, Chęcińska K, Chęciński M, Brzozowska A, Nowak Z, Sikora M. Applications of artificial intelligence in the analysis of dental panoramic radiographs: an overview of systematic reviews. Dentomaxillofacial Radiology. 2023 Oct 1; 52(7):20230284. https://doi.org/10.1259/dmfr.20230284

Fidyawati D, Masulili SL, Iskandar HB, Suhartanto H, Soeroso Y. Artificial Intelligence for Detecting Periodontitis: Systematic Literature Review. The Open Dentistry Journal. 2024 May 2;18(1). https://doi.org/10.2174/0118742106279454240321044427

Polizzi A, Quinzi V, Lo Giudice A, Marzo G, Leonardi R, Isola G. Accuracy of artificial intelligence models in the prediction of periodontitis: a systematic review. JDR Clinical & Translational Research. 2024 Oct;9(4):312-24. https://doi.org/10.1177/23800844241232318

Krois J, Ekert T, Meinhold L, Golla T, Kharbot B, Wittemeier A, Dörfer C, Schwendicke F. Deep learning for the radiographic detection of periodontal bone loss. Scientific reports. 2019 Jun 11;9(1):8495. https://doi.org/10.1038/s41598-019-44839-3

Kim J, Lee HS, Song IS, Jung KH. DeNTNet: Deep Neural Transfer Network for the detection of periodontal bone loss using panoramic dental radiographs. Scientific reports. 2019 Nov 26;9(1):17615. https://doi.org/10.1038/s41598-019-53758-2

Chang HJ, Lee SJ, Yong TH, Shin NY, Jang BG, Kim JE, Huh KH, Lee SS, Heo MS, Choi SC, Kim TI. Deep learning hybrid method to automatically diagnose periodontal bone loss and stage periodontitis. Scientific reports. 2020 May 5;10(1):7531. https://doi.org/10.1038/s41598-020-64509-z

Kurt S, Çelik Ö, Bayrakdar İŞ, Orhan K, Bilgir E, Odabas A, Aslan AF. Success of aartificial intelligence system in determining alveolar bone loss from dental panoramic radiography images. Cumhuriyet Dental Journal. 2020 Dec 31; 23(4):318-24. https://doi.org/10.7126/cumudj.777057

Sunnetci KM, Ulukaya S, Alkan A. Periodontal bone loss detection based on hybrid deep learning and machine learning models with a user-friendly application. Biomedical Signal Processing and Control. 2022 Aug 1;77:103844. https://doi.org/10.1016/j.bspc.2022.103844

Zadrożny Ł, Regulski P, Brus-Sawczuk K, Czajkowska M, Parkanyi L, Ganz S, Mijiritsky E. Artificial intelligence application in assessment of panoramic radiographs. Diagnostics. 2022 Jan 17;12(1):224. https://doi.org/10.3390/diagnostics12010224

Amasya H, Jaju PP, Ezhov M, Gusarev M, Atakan C, Sanders A, Manulius D, Golitskya M, Shrivastava K, Singh A, Gupta A. Development and validation of an artificial intelligence software for periodontal bone loss in panoramic imaging. International Journal of Imaging Systems and Technology. 2024 Jan;34(1):e22973. https://doi.org/10.1002/ima.22973

Kurt-Bayrakdar S, Bayrakdar İŞ, Yavuz MB, Sali N, Çelik Ö, Köse O, Uzun Saylan BC, Kuleli B, Jagtap R, Orhan K. Detection of periodontal bone loss patterns and furcation defects from panoramic radiographs using deep learning algorithm: a retrospective study. BMC Oral Health. 2024 Jan 31;24(1):155. https://doi.org/10.1186/s12903-024-03896-5

Cerda Mardini D, Cerda Mardini P, Vicuña Iturriaga DP, Ortuño Borroto DR. Determining the efficacy of a machine learning model for measuring periodontal bone loss. BMC Oral Health. 2024 Jan 17;24(1):100. https://doi.org/10.1186/s12903-023-03819-w

Tariq A, Nakhi FB, Salah F, Eltayeb G, Abdulla GJ, Najim N, Khedr SA, Elkerdasy S, Al-Rawi N, Alkawas S, Mohammed M. Efficiency and accuracy of artificial intelligence in the radiographic detection of periodontal bone loss: A systematic review. Imaging Science in Dentistry. 2023 Aug 2;53(3):193. https://doi.org/10.5624/isd.20230092

Ferrara E, Rapone B, D’Albenzio A. Applications of deep learning in periodontal disease diagnosis and management: a systematic review and critical appraisal. Journal of Medical Artificial Intelligence. 2025 Sep 30;8. https://doi.org/10.21037/jmai-24-241

Khubrani YH, Thomas D, Slator PJ, White RD, Farnell DJ. Detection of periodontal bone loss and periodontitis from 2D dental radiographs via machine learning and deep learning: systematic review employing APPRAISE-AI and meta-analysis. Dentomaxillofacial Radiology. 2025 Feb;54(2):89-108. https://doi.org/10.1093/dmfr/twae070

Chawla K, Garg V. Accuracy of convolutional neural network in the diagnosis of alveolar bone loss due to periodontal disease: A systematic review and meta-analysis. Journal of Datta Meghe Institute of Medical Sciences University. 2023 Jan 1; 18(1):163-72. https://doi.org/10.4103/jdmimsu.jdmimsu_281_22

Xue T, Chen L, Sun Q. Deep learning method to automatically diagnose periodontal bone loss and periodontitis stage in dental panoramic radiograph. Journal of Dentistry. 2024 Nov 1;150:105373. https://doi.org/10.1016/j.jdent.2024.105373

Ryu J, Lee DM, Jung YH, Kwon O, Park S, Hwang J, Lee JY. Automated detection of periodontal bone loss using deep learning and panoramic radiographs: a convolutional neural network approach. Applied Sciences. 2023 Apr 23;13(9):5261. https://doi.org/10.3390/app13095261

Sheryl Abraham T, Jeyakumar V, Marthi Krishna Kumar G, Abraham Anandapandian P. Automated Analysis of Tooth Anatomy and Pathological Conditions from Orthopantomogram using Deep Neural Networks. IETE Journal of Research. 2024 Dec 1; 70(12):8702-13. https://doi.org/10.1080/03772063.2024.2385044

Chen CC, Wu YF, Aung LM, Lin JC, Ngo ST, Su JN, Lin YM, Chang WJ. Automatic recognition of teeth and periodontal bone loss measurement in digital radiographs using deep-learning artificial intelligence. Journal of dental sciences. 2023 Jul 1; 18(3):1301-9. https://doi.org/10.1016/j.jds.2023.03.020

##submission.downloads##

Опубліковано

2025-06-30

Номер

Розділ

СТОМАТОЛОГІЯ