|
Аннотация.
В статье представлены важные аспекты проектирования и результаты оценки эффективности интеллектуальной системы поддержки принятия решений для диагностики в стоматологической практике. Предложена модифицированная архитектура U-Net с целевой функцией, оптимизированной для обнаружения различных патологий на рентгеновских снимках зубов. Разработанная математическая модель для нейросети включает компоненты чувствительности, специфичности, F-меры, бинарной кросс-энтропии и калибровки вероятностей с адаптивными весовыми коэффициентами. Система интегрирует блоки внимания, глубокий надзор и пространственный dropout, обеспечивая эффективную диагностику как распространенных, так и редких стоматологических патологий. Экспериментальная оценка показывает превосходство разработанной системы над существующими российскими аналогами по ключевым метрикам. Реализованная архитектура и методы значительно повышают надежность предсказаний и, как следствие, достоверность результатов автоматизированной диагностики.
Ключевые слова:
интеллектуальная система поддержки принятия решений, стоматологическая диагностика, U-Net, нейронные сети, редкие патологии, калибровка вероятностей, рентгенографическая диагностика, автоматизированная диагностика, машинное обучение.
DOI 10.14357/20718632250303
EDN LWUJCO
Стр. 22-33.
Литература
1. Обзор Российских систем искусственного интеллекта для здравоохранения [Интернет-ресурс]. URL: https://webiomed.ru/blog/obzor-rossiiskikh-sistemiskusstvennogo-intellekta-dlia-zdravookhraneniia/ (дата обращения: 15.03.2025). 2. Литманович Д.Л., Кармазановский Г.Г., Морозов С.П. Искусственный интеллект в лучевой диагностике: состояние проблемы, задачи и пути их решения // Вестник рентгенологии и радиологии. 2022. Т. 103. № 2. С. 98-110. 3. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015. С. 234-241. 4. DENTEX: Datasets for Dental X-ray Analysis [Интернетресурс]. URL: https://huggingface.co/datasets/ibrahimhamamci/DENTEX (дата обращения: 14.03.2025). 5. Guo C., Pleiss G., Sun Y., Weinberger K.Q. On Calibration of Modern Neural Networks // Proceedings of the 34th International Conference on Machine Learning. 2017. P. 1321-1330. 6. Schwendicke F., Samek W., Krois J. Artificial Intelligence in Dentistry: Chances and Challenges // Journal of Dental Research. 2023. Vol. 99(7). P. 769-774. 7. Diagnocat: виртуальный помощник для анализа стоматологических снимков [Электронный ресурс]. URL: https://diagnocat.com/ru/ (дата обращения: 15.03.2025). 8. Lin T.Y., Goyal P., Girshick R., He K., Dollár P. Focal Loss for Dense Object Detection // IEEE International Conference on Computer Vision (ICCV). 2017. P. 2980-2988. 9. Wang G., Li W., Aertsen M., Deprest J., Ourselin S., Vercauteren T. Aleatoric uncertainty estimation with test-time augmentation for medical image segmentation with convolutional neural networks // Neurocomputing. 2019. Vol. 338. P. 34-45. 10. Taha A., Hanbury A. Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool // BMC Medical Imaging. 2015. Vol. 15(1). P. 29. 11. Weng Z., Zhou H., He L., Liu C., Yang H. Attention U-Net: A Novel U-Net with Attention Mechanism for Stomatological Image Segmentation // Healthcare. 2022. Vol. 10(2). P. 388. 12. Oktay O., Schlemper J., Folgoc L.L., Lee M., Heinrich M., Misawa K., Mori K., McDonagh S., Hammerla N.Y., Kainz B., Glocker B., Rueckert D. Attention U-Net: Learning Where to Look for the Pancreas // Medical Imaging with Deep Learning. 2018. 13. Судаков Д.В., Судаков О.В., Богачева Е.В. Применение нейронных сетей в диагностике стоматологических заболеваний // Вестник новых медицинских технологий. 2021. Т. 28. № 1. С. 54-59. 14. Jundaeng J, Chamchong R. and Nithikathkul C. Artificial intelligence-powered innovations in periodontal diagnosis: a new era in dental healthcare. // Frontiers in Medical Technology. 2024; 6:1469852. doi: 10.3389/fmedt.2024.1469852. 15. Dentomo: программный продукт для распознавания стоматологических изображений [Электронный ресурс]. URL: https://dentomo.ru/ (дата обращения: 15.03.2025). 16. Улыбнись.Ai: телемедицинское приложение с ИИ, позволяющее по фото зубов определить на ранней стадии деминерализацию эмали, заболевания десен, кариес и налет на зубах [Электронный ресурс]. URL: https://www.smile-ai-market.ru/ (дата обращения: 15.03.2025). 17. Как искусственный интеллект обнаружил аномалии прикуса в сравнении с врачами-ортодонтами [Электронный ресурс]. URL: https://www.drbicuspid.com/dentalspecialties/orthodontics/article/15677083/ how-ai-performedin-malocclusion-detection-vs-orthodontists (дата обращения: 15.03.2025). 18. Староверов Н.Е. и др. Метод повышения информативности рентгеновских снимков / Н.Е. Староверов, А.Ю. Грязнов, И.Г. Камышанская [и др.] // Russian Technological Journal. 2021. Т. 9, № 6(44). С. 57-63.
|
