Искусственный интеллект в иммунодиагностике хронического пародонтита

Искусственный интеллект используется для диагностики различных заболеваний полости рта. В области клинической лабораторной диагностики алгоритмы машинного обучения применяются в интерпретации сложных биохимических данных. Точную диагностическую информацию о пародонтите можно получить при создании комбинации соответствующих биомаркеров с необходимой чувствительностью и специфичностью. Целью настоящего исследования стал поиск значимых инфекционно-иммунологических клинико-лабораторных данных на основе алгоритма машинного обучения при хроническом пародонтите. Для этого обследовано 124 пациента в возрасте от 40 до 70 лет с диагнозом «Хронический пародонтит», которым методом ПЦР в реальном времени провели исследование кармана пародонта на ДНК вирусов герпеса человека и бактериальную пародонтопатогенную микрофлору Аggregatibacter actinomycetemcomitans, Fusobacterium nucleatum, Tannerella forsythia, Treponema denticola, Prevotella intermedia, Porphyromonas endodontalis, Porphyromonas gingivalis. Также изучались матричные РНК провоспалительных цитокинов и другие маркеры хронизации воспалительного процесса: IL-1β, IL-10, IL-18, TNFα, TLR4, GATA3, CD68. В пробе зубодесневой жидкости определяли TNFα, IFNγ, IL-1β, IL-4, IL-6, IL-10, IL-18, VEGF. Иммунные клетки ротовой полости оценивали по содержанию CD3⁺, CD4⁺, CD8⁺, CD3⁺HLA-DR⁺, CD64⁺CD16⁺CD14^–, Treg CD4⁺CD25⁺CD127^+low, T-NK CD3⁺CD16⁺CD56⁺, NK CD3^–CD16⁺CD56⁺, СD14⁺, СD14⁺HLA-DR⁺, CD19⁺, CD19⁺HLA-DR⁺, B1 CD19⁺CD5⁺B27^–, B2 CD19⁺CD5^–B27^–, CD19⁺CD5^–B27⁺. Для оценки данных использовалось машинное обучение «random forest». Была выявлена связь между патогенной микрофлорой и характером иммунного ответа. Преобладал провоспалительный компонент, выраженный в экспрессии мРНК IL-1β, TNFα, IFNγ в иммунном ответе на агрессивные пародонтопатогены: Treponema denticola, Fusobacterium nucleatum и др. Алгоритм машинного обучения «random forest» выбрал из множества данных корреляционные отношения r ≥ 0,5 (как положительные, так и отрицательные) для проведения дальнейшего анализа оператором. Модель машинного обучения «random forest» на 10% с учителем показала следующие значимые сочетания данных: VEGF, CD3⁺, CD14⁺HLA-DR, CD19⁺CD5^–CD27⁺, а также мРНК TLR4, IL-1b, IL-10, TNFa, IL-18. Развитие примененной модели «random forest» машинного обучения с учителем уже на 25% показала отличия: P. endodontalis, GATA3, CD3⁺, CD14⁺, CD19⁺CD5^–CD27⁺, а также мРНК TLR4, TNFa, IL-1b, IL-10, IL-18. Поиск значимых инфекционно-иммунологических клинико-лабораторных данных на основе алгоритма машинного обучения при хроническом пародонтите показал значимость в развитии остеодеструктивного воспалительного процесса мРНК провоспалительных цитокинов, моноцитов, Т-лимфоцитов и В-клеток памяти. Для поиска взаимосвязей инфекционного иммунопатологического процесса может применяться машинное обучение с учителем на базе модели «random forest», что позволяет статистически обрабатывать большие массивы данных и выявлять неявные причинно-следственные факторы.