ОБЗОР МЕТОДОВ И АЛГОРИТМОВ, ПРИМЕНЯЕМЫХ В СИСТЕМАХ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ ПРИ ИНСТРУМЕНТАЛЬНОЙ ДИАГНОСТИКЕ В СТОМАТОЛОГИИ

Обложка

Цитировать

Полный текст

Аннотация

Актуальность и цели. Целью работы является обзор и анализ методов и алгоритмов, применяемых в системах искусственного интеллекта для поддержки принятия врачебных решений при инструментальной диагностике в стоматологии. Материалы и методы. В обзоре рассмотрены научные публикации, изданные в период с 2014 по 2024 г. Результаты. Был проведен анализ работ по заявленной тематике с точки зрения применяемых методов и алгоритмов, области их применения, размера используемой базы данных для обучения и итоговых качественных и количественных метрик применения алгоритма. Вывод. Систематизация методов и алгоритмов искусственного интеллекта, применяемых при инструментальной диагностике в стоматологии позволит значительно упростить как рутинные задачи, выполняемые врачами, так и облегчить анализ и систематизацию клинических данных, что особенно важно для специалистов с высокой загруженностью или молодых специалистов ввиду отсутствия большого практического опыта.

Об авторах

Анна Олеговна Мохова

Пензенский государственный университет

Автор, ответственный за переписку.
Email: anna2015m2015@gmail.com

ассистент кафедры физиологии человека

(Россия, г. Пенза, ул. Красная, 40)

Сергей Михайлович Геращенко

Пензенский государственный университет

Email: sgerash@mail.ru

доктор технических наук, доцент, профессор кафедры = поликлинической терапии и мобилизационной подготовки в здравоохранении

(Россия, г. Пенза, ул. Красная, 40)

Список литературы

  1. Mintz Y., Brodie R. Introduction to artificial intelligence in medicine // Minimally Invasive Therapy & Allied Technologies. 2019. Vol. 28, № 2. P. 73–81.
  2. Верткин А. Л. «Гиппократ» – система поддержки принятия врачебных решений для первичного звена по раннему выявлению социально-значимых заболеваний // Медицинский алфавит. 2021. № 7. С. 11–14.
  3. Маргарян Э. Г., Каджоян А. Г., Новожилова Н. Е., Атанесян А. В. Потребность систем поддержки принятия врачебных решений при диагностике заболеваний слизистой оболочки рта // Медицинский алфавит. 2022. № 7. С. 31–36.
  4. Солдатов А. Н., Солдатов И. К., Ковальчук С. В. Моделирование восприятия рекомендаций системы поддержки принятия врачебных решений на основе предсказательного моделирования при проведении профилактических осмотров врачами-стоматологами // Научно-технический вестник информационных технологий, механики и оптики. 2024. № 2. С. 335–338.
  5. Павлович М. В. Искусственный интеллект в иммунодиагностике хронического пародонтита // Инфекция и иммунитет. 2022. № 6. С. 1186–1190.
  6. Jeyaraj P. R., Samuel Nadar E. R. Computer-assisted medical image classification for early diagnosis of oral cancer employing deep learning algorithm // Journal of Cancer Research and Clinical Oncology. 2019. Vol. 145, № 4. P. 829–837.
  7. Feres M. Support vector machine-based differentiation between aggressive and chronic periodontitis using microbial profiles // International Dental Journal. Elsevier BV. 2018. Vol. 68, № 1. P. 39–46.
  8. Tonetti M. S., Sanz M. Implementation of the new classification of periodontal diseases: Decision‐making algorithms for clinical practice and education // Journal of Clinical Periodontology. 2019. Vol. 46, № 4. P. 398–405.
  9. Ngan T. T. Decision Making Based on Fuzzy Aggregation Operators for Medical Diagnosis from Dental X-ray images // Journal of Medical Systems. 2016. Vol. 40, № 12. P. 1–7.
  10. Shan T., Tay F. R., Gu L. Application of Artificial Intelligence in Dentistry // Journal of Dental Research. 2020. Vol. 100, № 3. P. 232–244.
  11. Patil S. Artificial Intelligence in the Diagnosis of Oral Diseases: Applications and Pitfalls // Diagnostics. 2022. Vol. 12, № 5. P. 1029.
  12. Artificial intelligence in dentistry: current applications and future perspectives // Quintessence International. 2020. Vol. 51, № 3. P. 248–257.
  13. Battineni G. Applications of Machine Learning Predictive Models in the Chronic Disease Diagnosis // Journal of Personalized Medicine. 2020. Vol. 10, № 2. P. 21.
  14. Carrillo‐Perez F. Applications of artificial intelligence in dentistry: A comprehensive review // Journal of Esthetic and Restorative Dentistry. 2022. Vol. 34, № 1. P. 259–280.
  15. Schwendicke F., Samek W., Krois J. Artificial Intelligence in Dentistry: Chances and Challenges // Journal of Dental Research. 2020. Vol. 99, № 7. P. 769–774.
  16. Chauhan R. B. An overview of image processing for dental diagnosis // Innovation and Emerging Technologies. 2023. Vol. 10. P. 2330001.
  17. 17. Khanagar S. B. Developments, application, and performance of artificial intelligence in dentistry – A systematic review // Journal of Dental Sciences. 2021. Vol. 16, № 1. P. 508–522.
  18. Долгалев А. А., Мураев А. А., Ляхов П. А., Ляхова У. А. Архитектоника системы искусственного интеллекта и перспективы применения технологий машинного обучения в стоматологии. Обзор литературы // Главный врач Юга России. Россия. 2022. № 5. С. 2–6.
  19. Machado R. A. Machine learning in prediction of genetic risk of nonsyndromic oral clefts in the Brazilian population // Clinical Oral Investigations. 2021. Vol. 25, № 3. P. 1273–1280.
  20. Iwasaki H. Bayesian belief network analysis applied to determine the progression of temporomandibular disorders using MRI // Dentomaxillofacial Radiology. 2015. Vol. 44, № 4. P. 20140279.
  21. Ekert T. Deep Learning for the Radiographic Detection of Apical Lesions // Journal of Endodontics. 2019. Vol. 45, № 7. P. 917–922.
  22. Danks R. P. Automating Periodontal bone loss measurement via dental landmark localisation // International Journal of Computer Assisted Radiology and Surgery. 2021. Vol. 16, № 7. P. 1189–1199.
  23. Park Y.-H., Kim S.-H., Choi Y. Y. Prediction Models of Early Childhood Caries Based on Machine Learning Algorithms // International Journal of Environmental Research and Public Health. 2021. Vol. 18, № 16. P. 8613.
  24. Самохвалова Д. Д., Перова М. Д. Калькулятор пародонтального риска в системе поддержки принятия клинических решений // Вестник новых медицинских технологий. 2024. Vol. 18, № 1. С. 23–29.
  25. Ozden F. O. Diagnosis of periodontal diseases using different classification algorithms: A preliminary study // Nigerian Journal of Clinical Practice. 2015. Vol. 18, № 3. P. 416–421.
  26. Lee J.-H. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm // Journal of Dentistry. 2018. Vol. 77. P. 106–111.
  27. Aliaga I. J., Vera V., De Paz J. F. [et al.]. Modelling the longevity of dental restorations by means of a CBR system // BioMed Research International. 2015. № 1. P. 540306.
  28. Iwasaki H. Bayesian Belief Network Analysis Applied to Determine the Progression of Temporomandibular Disorders Using MRI // Dentomaxillofacial Radiology . 2015. № 44. P. 20140279.
  29. Danks R. P., Bano S., Orishko A. [et al.]. Automating Periodontal Bone Loss Measurement via Dental Landmark Localisation // International Journal of Computer Assisted Radiology and Surgery. 2021. № 16. P. 1189–1199.
  30. Shams W. K., Htike Z. Z. Oral Cancer Prediction Using Gene Expression Profiling and Machine Learning // International Journal of Applied Engineering Research. 2017. № 12. P. 4893–4898
  31. Bur A. M., Holcomb A., Goodwin S. [et al.]. Machine learning to predict occult nodal metastasis in early oral squamous cell carcinoma // Oral Oncology. 2019. № 92. P. 20–25.
  32. Liu C. H., Lin C. J., Hu Y. H., You Z. H. Predicting the failure of dental implants using supervised learning techniques // Applied Sciences, 2018. Vol. 8, № 5. P. 698.
  33. López-Janeiro Á., Cabañuz C., Blasco-Santana L., Ruiz-Bravo E. A Tree-Based Machine Learning Model to Approach Morphologic Assessment of Malignant Salivary Gland Tumors // Annals of Diagnostic Pathology. 2022. № 56. P. 151869.
  34. Orhan K., Driesen L., Shujaat S. [et al.]. Development and Validation of a Magnetic Resonance Imaging- Based Machine Learning Model for TMJ Pathologies // BioMed Research International. 2021. Vol. 2021, № 1. P. 6656773.
  35. Ozden F. O., Özgönenel O., Özden B., Aydogdu A. Diagnosis of Periodontal Diseases Using Different Classification Algorithms: A Preliminary Study // Nigerian Journal of Clinical Practice. 2015. № 18. P. 416.
  36. Park Y. H., Kim S. H., Choi Y. Y. Prediction Models of Early Childhood Caries Based on Machine Learning Algorithms // International Journal of Environmental Research and Public Health. 2021. № 18. P. 8613.
  37. Alabi R. O., Elmusrati M., Sawazaki-Calone I. [et al.].Comparison of super-vised machine learning classification techniques in prediction of locoregional recurrences in early oral tongue cancer // International Journal of Medical Informatics. 2020. № 136. P. 104068.
  38. Hung M., Voss M. W., Rosales M. N. [et al.]. Application of machine learning for diagnostic prediction of root caries // Gerodontology. 2019. Vol. 36, № 4. P. 395–404.
  39. Kim D. W., Kim H., Nam W. [et al.]. Machine learning to predict the occurrence of bisphosphonate-related osteonecrosis of the jaw associated with dental extraction: A preliminary report // Bone. 2018. № 116. P. 207–214.
  40. Aubreville M., Knipfer C., Oetter N. [et al.]. Automatic Classification of Cancerous Tissue in Laserendomicroscopy Images of the Oral Cavity Using Deep Learning // Scientific Reports. 2017. № 7. P. 11979.
  41. Cantu A. G., Gehrung S., Krois J. [et al.]. Detecting Caries Lesions of Different Radiographic Extension on Bitewings Using Deep Learning // Journal of Dentistry. 2020. № 100. P. 103425.
  42. Casalegno F., Newton T., Daher R. [et al.]. Caries Detection with Near-Infrared Transillumination Using Deep Learning // Journal of Dental Research. 2019. № 98. P. 1227–1233
  43. Chang H. J., Lee S. J., Yong T. H. [et al.]. Deep Learning Hybrid Method to Automatically Diagnose Periodontal Bone Loss and Stage Periodontitis // Scientific Reports. 2020. № 20. P. 7531.
  44. Choi E., Kim D., Lee J. Y., Park H. K. Artificial Intelligence in Detecting Temporomandibular Joint Osteoarthritis on Orthopantomogram // Scientific Reports. 2021. № 11. P. 10246.
  45. Fukuda M., Inamoto K., Shibata N. [et al.]. Evaluation of an Artificial Intelligence System for Detecting Vertical Root Fracture on Panoramic Radiography // Oral Radiology. 2019. № 36. P. 337–343.
  46. Hung K. F., Ai Q. Y. H., King A. D. [et al.]. Automatic detection and segmentation of morphological changes of the maxillary sinus mucosa on cone-beam computed tomography images using a three-dimensional convolutional neural network // Clinical Oral Investigations. 2022. Vol. 26. № 5. P. 3987–3998.
  47. Hung M., Voss M. W., Rosales M. N. [et al.]. Application of Machine Learning for Diagnostic Prediction of Root Caries // Gerodontology. 2019. № 36. P. 395–404.
  48. Jeyaraj P. R., Samuel Nadar E. R. Computer-Assisted Medical Image Classification for Early Diagnosis of Oral Cancer Employing Deep Learning Algorithm // Journal of Cancer Research and Clinical Oncology. 2019. № 145. P. 829–837.
  49. Kim Y., Lee K. J., Sunwoo L. [et al.]. Deep Learning in Diagnosis of Maxillary Sinusitis Using Conventional Radiography // Investigative Radiology. 2019. № 54. P. 7–15
  50. Kuwana R., Ariji Y., Fukuda M. [et al.]. Performance of Deep Learning Object Detection Technology in the Detection and Diagnosis of Maxillary Sinus Lesions on Panoramic Radiographs // Dentomaxillofacial Radiology. 2021. № 50. P. 20200171.
  51. Lee J. H., Kim D. H., Jeong S. N., Choi S. H. Detection and Diagnosis of Dental Caries Using a Deep Learning-Based Convolutional Neural Network Algorithm // Journal of Dentistry. 2018. № 77. P. 106–111.
  52. Murata M., Ariji Y., Ohashi Y. [et al.]. Deep-Learning Classification Using Convolutional Neural Network for Evaluation of Maxillary Sinusitis on Panoramic Radiography // Oral Radiology. 2018. № 35. P. 301–307.
  53. Uthoff R. D., Song B., Sunny S. [et al.]. Point-of-Care, Smartphone-Based, Dual-Modality, Dual-View, Oral Cancer Screening Device with Neural Network Classification for Low-Resource Communities // PLoS ONE. 2018. № 13. P. e0207493.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».