Введение

Человеческий мозг с его сложной структурой и уникальными функциями давно вдохновляет ученых на воссоздание нейронных механизмов обработки информации с помощью компьютерных технологий. Искусственный интеллект (ИИ), являясь одной из самых быстроразвивающихся областей науки в настоящее время, становится все более обширным и глубоко интегрированным в клинические и фундаментальные науки [1]. Особенно это актуально для медицины, включая стоматологию, где ИИ рассматривается как перспективный инструмент для повышения точности диагностики и оптимизации лечебных решений.

Одним из наиболее перспективных направлений является использование ИИ для обработки медицинских изображений, таких как ортопантомограммы и конусно-лучевые компьютерные томограммы (КЛКТ). Алгоритмы машинного обучения могут выявлять патологические изменения с точностью, сравнимой с таковой у экспертов, сокращая время диагностики и исключая человеческий фактор ошибок [2].

Кроме диагностических задач, ИИ может быть полезен в планировании лечения, оценке рисков, прогнозировании исходов, персонализированном уходе и даже в образовательных целях [3—9]. Например, с его помощью можно моделировать сценарии лечения, минимизируя вероятность ошибок в реальной клинической практике. Более того, роботизированные системы на основе ИИ уже начали использоваться в сложных операциях, обеспечивая их высокую точность и контроль [10, 11].

Однако внедрение ИИ в стоматологическую практику сопряжено с рядом трудностей, включая ограниченный доступ к размеченным клиническим датасетам рентгенологических изображений и необходимость адаптации технологий к действующим нормативным требованиям Российской Федерации.

В настоящее время внедрение ИИ в клиническую практику находится на начальном этапе, и эта технология не стала частью повседневной стоматологической практики. Причины такого положения дел заключаются в следующем. Многие стоматологи недостаточно знакомы с возможностями ИИ и не уверены в необходимости его применения в своей практике. Это приводит к настороженному отношению к новым технологиям и замедляет их внедрение.

В то же время ведутся эксперименты по применению ИИ в диагностике таких заболеваний, как кариес и пародонтит. Разрабатываются алгоритмы, способные анализировать рентгенологические данные и поддерживать принятие клинических решений. Однако эти проекты пока носят ограниченный характер и требуют более широкой адаптации к условиям российской медицины.

Цель данного исследования заключается в сравнении эффективности медицинского изделия Diagnocat (регистрационное удостоверение от 12 ноября 2024 г., №РЗН 2024/23904), основанного на алгоритмах искусственного интеллекта, и человеческого интеллекта при анализе рентгенологических снимков (КЛКТ). Такой подход позволит оценить возможности использования Diagnocat в реальной клинической практике в условиях стоматологических учреждений Российской Федерации. Полученные результаты помогут определить степень готовности подобных технологий к полноценной интеграции в российскую стоматологию, а также выявить существующие ограничения и направления для дальнейшего развития.

Материал и методы

Данное ретроспективное когортное исследование одобрено локальным этическим комитетом ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова» Министерства здравоохранения Российской Федерации в соответствии с Хельсинкской декларацией (№269 от 27.01.2025 г.). Исследование включало анализ данных, полученных с помощью ИИ Diagnocat, с последующим сравнением их с результатами, интерпретированными опытными стоматологами.

В исследование было включено 100 рентгенологических обследований (КЛКТ), которые соответствовали 100 пациентам (55 женщин, 45 мужчин, средний возраст составил 42,9±12,1 года).

Также в исследовании приняли участие стоматологи со средним возрастом 41,6 года и средним стажем работы 12,8 года. Среди врачей были терапевты-стоматологи (7 человек), ортопеды-стоматологи (2 человека) и хирурги-стоматологи (1 человек).

Критериями включения в исследование были: стаж работы по специальности не менее 5 лет, отсутствие профессиональных нарушений и опыт самостоятельной интерпретации КЛКТ.

Выборка специалистов по направлениям отражает фактическую кадровую структуру в амбулаторных стоматологических учреждениях: наибольшая доля приходится на врачей-терапевтов, что и обусловило преобладание данной категории в исследовании.

Все рентгенологические изображения, использованные в исследовании, были дополнительно интерпретированы врачом-рентгенологом в соответствии с принятой клинической практикой. Вместе с тем, учитывая, что система Diagnocat ориентирована на врачей-стоматологов как целевую профессиональную группу, анализ ее эффективности был проведен на основе их интерпретаций.

Всего было проанализировано 3200 анатомических сегментов, соответствующих отдельным зубам или зонам их отсутствия на рентгенологических изображениях. В случаях отсутствия зубов оценивалось состояние костной ткани в соответствующем сегменте. Все сегменты были классифицированы по анатомической локализации на две группы: передний отдел (резцы и клыки, 1 200 сегментов) и боковой отдел (премоляры и моляры, 2 000 сегментов).

Разделение сегментов на передний и боковой отделы было выполнено с учетом их анатомической специфики, что позволило проанализировать возможные различия в точности работы системы Diagnocat в разных зонах.

В табл. 1 представлены нозологические состояния, регистрируемые при анализе анатомических сегментов.

Таблица 1. Нозологические состояния, используемые при анализе диагностических ошибок ИИ и врача

Верификацию результатов обеспечивали три независимых эксперта: два врача-стоматолога с более чем 20-летним стажем и один врач-рентгенолог, имеющий опыт работы с дентальными КЛКТ не менее 20 лет. Оценка проводилась в два этапа (двойная слепая верификация), с привлечением третьего эксперта в случае расхождения мнений.

Исследование имеет ряд ограничений, которые следует учитывать при интерпретации результатов. Во-первых, выборка пациентов формировалась последовательно, без рандомизации, что может повлиять на ее репрезентативность. Во-вторых, объем исследования ограничен 100 КЛКТ и проведен в рамках одной клинической базы, что сужает возможности обобщения. Кроме того, оценивалась лишь одна ИИ-система, без сравнения с другими решениями, и исследование не включало анализ влияния использования Diagnocat на тактику лечения или исходы терапии.

Для анализа распределения ошибок врачей и ИИ использовались следующие параметры: среднее количество ошибок на одного пациента, процент ошибок от общего числа объектов, а также соотношение ошибок ИИ и врачей в каждой области.

Для проверки статистической значимости различий между распределением ошибок ИИ и врачей применялся χ²-тест.

Результаты

На основании собранных данных были получены следующие результаты, которые отражают точность и характер ошибок, допущенных ИИ Diagnocat и врачами при анализе рентгенологических снимков (табл. 2—4).

Таблица 2. Сравнительный анализ ошибок врача и искусственного интеллекта Diagnocat в различных областях челюсти

Таблица 3. Среднее количество ошибок врача и искусственного интеллекта Diagnocat на пациента в разных областях челюсти

Таблица 4. Доля ошибок врача и искусственного интеллекта Diagnocat от общего их числа в различных областях челюсти

Общая точность системы Diagnocat

В переднем отделе челюстей система Diagnocat продемонстрировала чувствительность 100%, что подтверждает ее способность целиком исключать ошибки в этой области. Доверительный интервал для чувствительности в переднем отделе совпадает с абсолютной величиной (100%), поскольку ошибки отсутствовали.

В боковом отделе чувствительность Diagnocat составила 92,2% (95% доверительный интервал: 91,0—93,4%). Эти результаты демонстрируют высокую диагностическую точность Diagnocat даже в более сложной области.

Сравнение частоты ошибок между ИИ и врачами

Согласно проведенному χ²-тесту, статистическая значимость различий между ошибками врачей и ИИ по переднему и боковому отделам была подтверждена.

— Значение χ²=19,43.

—p-значение=1,05×10^—⁵.

Скорость анализа изображений

В рамках исследования было проведено сравнение времени, затрачиваемого на анализ рентгенологических снимков, между ИИ Diagnocat и врачами-стоматологами. Среднее время анализа, выполненного системой Diagnocat, составило 4,18±0,91 мин, что свидетельствует о высокой скорости и стабильности работы алгоритма. В то же время врачи затрачивали на анализ в среднем 25,05±6,02 мин, что может быть связано с индивидуальным стажем, сложностью клинической картины и человеческим фактором.

Полученные результаты подчеркивают преимущество Diagnocat в скорости обработки данных, что делает его особенно полезным в условиях высокой клинической нагрузки. Однако, несмотря на это преимущество, дополнительная проверка результатов стоматологом остается важным этапом для повышения точности диагностики и исключения возможных ошибок.

Примеры диагностических ошибок

Для наглядной демонстрации результатов анализа ниже предоставлены примеры рентгенологических изображений, на которых были допущены ошибки как со стороны ИИ, так и со стороны врачей (рис. 1—5).

Рис. 1. Ошибка искусственного интеллекта: определение корней зубов как имплантатов.

Рис. 2. Ошибка искусственного интеллекта: ошибочное определение искусственной коронки.

Рис. 3. Ошибка врача: не выявлен клиновидный дефект зуба.

Рис. 4. Ошибка врача: не выявлена повышенная стираемость зубов.

Рис. 5. Ошибка врача и искусственного интеллекта: не выявленная ИИ дистопия и неправильная оценка вовлеченности кариеса при оценке врачом.

На изображении показано, что Diagnocat ошибочно определил корни зубов как имплантаты. Эта ошибка произошла в боковом отделе, где плотность корневой структуры и форма визуально напоминали имплантаты. Такой случай подчеркивает ограничения алгоритмов ИИ в интерпретации сложных анатомических особенностей без дополнительных контекстуальных данных.

Эти примеры подчеркивают важность комбинированного подхода, объединяющего вычислительные возможности ИИ и клиническую интуицию врачей, для повышения точности диагностики и снижения вероятности ошибок.

В рамках исследования также были проанализированы результаты работы системы Diagnocat, которые затем проверялись врачом-стоматологом.

При перерасчете выявленных ошибок на 100 пациентов были получены следующие результаты:

— в среднем в 5% случаев ИИ некорректно определял количество корней зубов;

— в 12% случаев Diagnocat не выявлял наличие кариеса.

Эти данные демонстрируют, что, хотя система Diagnocat показывает высокий уровень точности, некоторые ошибки все же требуют дополнительной проверки врачом. Таким образом, верификация результатов с участием специалиста остается важным этапом для обеспечения качества диагностики.

Классификация ошибок

Результаты исследования выявили характерные ошибки, свойственные как ИИ Diagnocat, так и врачам-стоматологам. Анализ этих ошибок позволяет глубже понять ограничения обеих сторон и области, требующие повышенного внимания.

Выявлены следующие ошибки:

— не указана дистопия: ИИ может не распознать смещение зубов, что приводит к пропуску важной диагностической информации;

— не указана ретенция: сложности с идентификацией зубов с затрудненным прорезыванием или полной ретенцией, что критично для оценки их положения и состояния;

— ошибки с указанием неправильного вовлечения патологии: возможность неправильно идентифицировать степень кариозного поражения, например, указывая кариес дентина вместо поражения эмали;

— ошибки в распознавании имплантатов: ИИ не всегда может точно распознать наличие или состояние имплантатов, что сказывается на точности диагностики;

— ошибки с периимплантитом: возможны пропуски или недооценка признаков воспалительных процессов вокруг имплантатов.

Определены следующие ошибки, чаще совершаемые врачами:

— недопломбированный канал: пропуск недостаточного заполнения канала при пломбировании, что важно для качества эндодонтического лечения;

— не указана атрофия кости: трудности в диагностике горизонтальной и вертикальной атрофии, что может приводить к недостаточной оценке состояния костной ткани;

— недостаточная информация о выведении пломбировочного материала за верхушку корня: ограниченная детализация, влияющая на диагностику осложнений после эндодонтического лечения;

— повышенная стираемость зубов: пропуск повышенной стираемости зубов, требующей своевременного вмешательства;

— зубные отложения: недооценка наличия зубного камня или мягких отложений;

— клиновидные дефекты: пропуск изменений, связанных с дефектами твердых тканей зубов в пришеечной области.

Характеристика выявленных патологических состояний

В рамках исследования выявлено 476 случаев кариеса (18,71% от общего числа), что отражает высокую частоту встречаемости данной патологии среди пациентов. Заболевания пародонта оказались наиболее распространенными: их общее количество составило 887 случаев (34,87% от всех выявленных патологий).

Ранее проведенное терапевтическое лечение зафиксировано в 860 (33,82%) случаях, что подчеркивает актуальность восстановления зубов после кариеса или воспалительных заболеваний пульпы и периодонта. Прочие патологические состояния, включая деструктивные изменения тканей и клиновидные дефекты, зафиксированы в 320 (12,59%) случаях.

Эти данные подтверждают значимость комплексного подхода к диагностике и лечению стоматологических заболеваний и демонстрируют большой потенциал применения искусственного интеллекта для повышения точности диагностики.

Обсуждение

Результаты настоящего исследования подтверждают высокий потенциал применения ИИ в стоматологии. Однако следует отметить, что в Российской Федерации отсутствуют аналогичные качественные исследования, направленные на изучение эффективности ИИ в стоматологии, выполненные с использованием статистически значимых выборок и современных методов анализа данных. В связи с отсутствием сопоставимых опубликованных данных, полученных в аналогичных условиях, прямое сравнение затруднено.

Вместе с тем, анализ существующих исследований и работ, посвященных применению ИИ в других медицинских областях, позволяет провести косвенные параллели и оценить эффективность предложенного подхода.

Так, исследование, проведенное в амбулаторных условиях во время пандемии, оценивало эффективность алгоритма ИИ для выявления патологических изменений в легких, характерных для COVID-19. Чувствительность метода составила 94%, специфичность — 77%, а общая точность достигла 83%. Эти результаты демонстрируют высокую способность ИИ обнаруживать патологию, что подтверждает его потенциал для повышения эффективности диагностики [12]. Аналогично в настоящем исследовании система Diagnocat показала чувствительность 100% в переднем отделе челюсти, где не было обнаружено ни одной ошибки, и чувствительность 92,2% в боковом отделе, что превосходит показатель чувствительности врачей (88,35%). Эти данные подчеркивают высокую точность Diagnocat при выявлении патологии.

Кроме того, в других исследованиях отмечается способность ИИ анализировать большие объемы медицинских данных, выявляя скрытые закономерности, что способствует повышению точности диагностики и оптимизации лечения. Например, алгоритмы машинного обучения и нейронные сети, активно применяемые в медицине, успешно автоматизируют анализ медицинских изображений [13]. Эти достижения подтверждаются и нашими данными: Diagnocat не только показал высокую чувствительность, но и значительно сократил время анализа рентгенологических снимков до 4,18 мин, что существенно быстрее, чем 25,05 мин у врачей.

Результаты настоящего исследования также сопоставимы с данными зарубежной работы H.G. Güneç и соавт. (2023), где ИИ продемонстрировал чувствительность 90,7% при диагностике кариеса на панорамных снимках [14].

Исследования, посвященные экономической оценке ИИ в здравоохранении, подчеркивают, что его применение может повысить эффективность диагностики и лечения, одновременно снижая затраты [15]. В стоматологической практике Diagnocat демонстрирует подобные преимущества: автоматизация диагностики позволяет снизить вероятность ошибок, связанных с человеческим фактором, и повысить общую эффективность процесса.

Отсутствие целенаправленных исследований с высокой статистической достоверностью создает определенный пробел в научных данных, на которые могли бы опираться российские специалисты при интеграции ИИ в клиническую стоматологию.

Заполнение этого пробела является важным шагом для развития цифровой стоматологии в Российской Федерации.

Заключение

Полученные результаты имеют существенное клиническое значение в контексте оценки готовности систем ИИ к применению в повседневной практике стоматологических учреждений Российской Федерации.

Высокая чувствительность Diagnocat при сравнении с данными, полученными от врачей, а также его высокая скорость анализа позволяют рассматривать данную систему как эффективный инструмент поддержки принятия врачебных решений. Это особенно актуально при дефиците времени, высокой диагностической нагрузке и необходимости стандартизации интерпретации изображений. При этом участие врача-стоматолога остается ключевым для верификации результатов и выбора тактики лечения.

Таким образом, клиническое внедрение ИИ-технологий, аналогичных Diagnocat, возможно в рамках комбинированной модели «врач + ИИ», обеспечивающей повышение точности диагностики с сохранением врачебного контроля.

Источник финансирования. Исследование и публикация статьи осуществлены на личные средства авторского коллектива.

Source of funding. The research and publication of articles are carried out with personal funds of the author’s collective.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов, связанных с данной научной работой.

Conflict of interest. The authors declare that there is no conflict of interest related to this scientific work.

Выражение признательности. Авторы выражают искреннюю благодарность коллективу СПб ГБУЗ «Городская стоматологическая поликлиника №33» за предоставленные данные и техническую поддержку в проведении исследования.

Acknowledgement. The authors express their sincere gratitude to the team of the City Dental Polyclinic №33 (Saint Petersburg) for the provided data and technical support in performing the study.