Алгоритми штучного інтелекту для оцінки стану ясен

Анотація

Вступ. Сучасні методи ідентифікації та предикції гінгівіту та пародонтиту на основі моделей штучного інтелекту, котрі застосовуються для аналізу даних фотографій та цифрових сканів, включають підходи з використанням алгоритмів глибинних нейронних мереж, методу опорних векторів, різних типів дерев класифікацій та логістичної регресії. Проте більшість досліджень з апробації таких підходів характеризується ретроспективним дизайном, а відтак – обмеженими можливостями щодо трансляції отриманих результатів в умови щоденної клінічної стоматологічної практики. Мета дослідження. Проаналізувати доступні моделі та алгоритми штучного інтелекту, які потенційно могли б бути використані для автоматизації процесу діагностики стану ясен. Матеріали та методи. Дослідження було організовано у форматі цільового огляду літератури з тергетним пошуком даних щодо доступних моделей та алгоритмів штучного інтелекту, розроблених для діагностики та диференціації стану ясен. З метою максимізації обсягу первинної вибірки пошук публікацій, пов’язаних із метою даного дослідження, проводився через систему Google Scholar (https://scholar.google.com/), з використанням ключових слів «artificial intelligence», «gingiva» та «periodontology», розширених функцій сервісу та фільтрації робіт, опублікованих англійською мовою до квітня 2024 року. Результати досліджень та їх обговорення. Проаналізовані моделі штучного інтелекту продемонстрували ефективність автоматичної ідентифікації ділянок гінгівіту та порушення сталості ясеневого контуру на рівні точності в понад 70% з використанням у якості основного набору вихідних даних внутрішньоротових цифрових фотографій. Водночас точність верифікації здорового стану ясен за даними проаналізованих досліджень була доволі низькою, що пов’язано із проблемами диференціації сегментованих ділянок із референтними зображеннями здорових ясен, які характеризуються не тільки інтеріндивідуальною, але й інтраіндивідуальною варіативністю. Проблематика якісної оцінки стану ясен з використанням моделей штучного інтелекту за даними інтраорального сканування обгрунтована відмінностями у технологіях отримання зображення, передбачених різними апаратами, та ефектом так званого «надмірного оцифрування», що призводить до дисторції реальної репрезентації стану м’яких тканин. Крім того загальновиражена проблема інтраоральних сканерів щодо оцінки стану ясен полягає у аугментованому типі графічного процесингу поверхонь, які характеризуються відсутністю виражених фідуціарних маркерів (фізіологічних чи штучних) та однорідністю площинних топологічних характеристик. Висновки. Доступні моделі та алгоритми штучного інтелекту, цільове призначення котрих передбачає оцінку та диференціацію стану ясен, продемонстрували високу точність автоматизованого процесу діагностики випадків гінгівіту на пацієнт-орієнтованому рівні (≥ 70%), водночас чутливість таких моделей щодо верифікації здорового стану ясен залишається низькою, а також характеризується широким діапазоном варіації (з вихідною точкою діапазону з 0%). Застосування моделей штучного інтелекту з метою сегментації та подальшої категоризації ділянок ясен по певним чітко-визначеним класам (в ході індексної оцінки стану ясен, чи під час вихідної диференціації та якісної категоризації типу посмішки), а також в ході ідентифікації ділянок порушення цілісності ясеневого контуру та його можливої реконструкції по встановленому патерну, характеризується високими показниками чутливості та специфічності на рівні досліджуваних вибірок, проте клінічна валідність даних підходів з урахуванням інтер- та інтраіндивідуальних рівнів варіацій різних проявів змін ясен досі не доведена.