Искусственный интеллект (ИИ) стал одной из наиболее значимых инноваций в сфере здравоохранения, оказывая существенное влияние на различные аспекты стоматологии. Прорывные разработки в области ИИ позволили анализировать огромные объемы данных, что способствует повышению точности обработки информации и улучшению процесса принятия решений [1, 2].

Внедрение ИИ, в частности методов глубокого обучения и сверточных нейронных сетей, обещает повысить как точность, так и скорость диагностики, снижая при этом вероятность ошибок [1, 2]. Эти технологии способны автоматически идентифицировать и анализировать сложные структуры и патологические изменения на рентгенологических изображениях, значительно облегчая работу стоматолога и улучшая качество лечения пациентов [3, 4].

Несмотря на впечатляющие успехи ИИ в стоматологии, большинство исследований сосредоточено на отдельных аспектах его применения и часто ограничено небольшими объемами данных. Это подчеркивает необходимость проведения систематических обзоров и метаанализов [5, 6].

В Российской Федерации на основе искусственного интеллекта разработано и зарегистрировано всего 37 медицинских изделий [7], однако среди них отсутствуют медицинские изделия, предназначенные в стоматологии, что делает необходимость разработки таких продуктов еще более актуальной для улучшения качества стоматологической помощи и внедрения передовых технологий в эту сферу.

Целью данного исследования является проведение систематического обзора существующей литературы, посвященной применению ИИ в стоматологической практике. Исследование направлено на оценку эффективности различных методов ИИ, используемых для повышения точности диагностики и качества лечения в стоматологии. Особое внимание уделяется сравнению различных ИИ-алгоритмов, их применимости в клинической практике и их потенциальному влиянию на совершенствование стоматологических процедур.

Материалы и методы

Для структурирования исследования и определения критериев включения и исключения была применена методика PICO.

PICO (пациент, вмешательство, исход, сравнение) — это модель, используемая как инструмент для поиска научной литературы, которая помогает структурировать вопросы исследования и улучшать качество поиска. В модели PICO учитываются ключевые элементы исследования: характеристики пациентов или популяции, вмешательство (лечение или воздействие), сравнительный анализ альтернативных подходов и ожидаемые результаты [8].

Этот подход позволил сосредоточиться на ключевых аспектах использования искусственного интеллекта в стоматологической визуализации и сформулировать вопросы для систематического обзора литературы (рис. 1).

Рис. 1. Методология исследования по PICO.

В обзор включались исследования, посвященные применению методов ИИ в стоматологии. Отбору подвергались работы, опубликованные в рецензируемых научных журналах, предоставлявших количественные показатели эффективности ИИ, такие как точность, чувствительность, специфичность, положительная и отрицательная прогностическая ценность, частоты истинно-положительных и истинно-отрицательных результатов, а также отношение шансов.

Анализ охватывал исследования, использующие различные методы ИИ, такие как искусственные нейронные сети (ИНС), сверточные нейронные сети (СНС), машинное обучение (МО) и глубокое обучение (ГО), для анализа изображений, полученных с помощью различных методов визуализации, включая конусно-лучевую компьютерную томографию, панорамную рентгенографию и внутриротовые рентгенограммы.

Систематический поиск проводился в шести ведущих базах данных, таких как PubMed, Cochrane, IEEE Xplore и другие (рис. 2). Для поиска использовались MeSH-термины и булевы операторы, что позволило максимально охватить релевантные публикации. Поисковые запросы были адаптированы для каждой базы данных, чтобы обеспечить их специфичность и чувствительность.

Рис. 2. Алгоритм поиска и включения исследований в систематический обзор.

Поиск был ограничен полными текстами, опубликованными с января 2018 по август 2024 г.

В исследование были включены 15 англоязычных исследований. Отечественные работы исключены из-за несоответствия критериям, таким как недостаточная специфичность и отсутствие количественных показателей эффективности ИИ.

Для количественной оценки публикационного смещения использовался график воронки (funnel plot) и тест Эггера. Эти методы позволили определить наличие предвзятости в отборе опубликованных исследований, что могло бы существенно влиять на обобщение полученных результатов.

Для построения графика воронки и проведения теста Эггера использовалась программа IBM SPSS Statistics, версия 29. Данные, полученные из включенных в обзор исследований, были проанализированы с использованием регрессионного анализа, чтобы вычислить коэффициент при обратной стандартной ошибке и определить его статистическую значимость.

Результаты теста Эггера позволили количественно оценить вероятность присутствия публикационного смещения, и были интерпретированы с учетом полученных значений коэффициентов и p-значений.

Результаты и обсуждение

ИИ значительно изменил подходы к диагностике, лечению и управлению данными пациентов, предлагая врачам-стоматологам инструменты для повышения точности и эффективности их работы.

Ниже представлена таблица, которая демонстрирует различные направления применения ИИ в стоматологической практике, а также краткое описание их функций и преимуществ (табл. 1).

Таблица 1. Основные направления применения искусственного интеллекта (ИИ) в стоматологической практике.

В табл. 2 приведены ключевые исследования, демонстрирующие применение ИИ в различных областях стоматологии, а также количественные данные, характеризующие эффективность этих методов.

Таблица 2. Применение методов искусственного интеллекта в различных областях стоматологии

Применение ИИ в планировании ортопедического лечения открывает новые горизонты в стоматологии, позволяя автоматизировать сложные процессы, улучшать точность диагностики и индивидуализацию подходов к каждому пациенту.

В проспективном экспериментальном исследовании [13] был использован генеративно-состязательный алгоритм для создания цифровой модели ортопедической конструкции на один зуб у 250 пациентов. Полученные данные демонстрируют, что использование ИИ может значительно упростить процесс проектирования зубных протезов, позволяя учитывать индивидуальные анатомические особенности оставшихся зубов и обеспечивая высокую степень точности в восстановлении зубного ряда.

В экспериментальном сравнительном исследовании [14] изучалось моделирование литий-дисиликатных коронок с помощью системы ИИ. В ходе исследования ИИ продемонстрировал способность создавать коронки с минимальными окклюзионными отклонениями (0,3677±0,0388 мм), однако коронки, спроектированные опытными специалистами, показали лучшее соответствие оригинальным зубам (0,3254±0,0515 мм для техников и 0,3571±0,0820 мм для обученных стоматологов; p<0,001). Эти данные свидетельствуют о том, что сочетание ИИ с мануальными навыками врача-стоматолога может привести к улучшению качества моделирования и изготовления зубных протезов, предлагая более точные и предсказуемые результаты по сравнению с традиционными методами.

В сравнительном исследовании были изучены два алгоритма машинного обучения — ИНС и метод случайного леса для прогнозирования количества пигмента, используемого в изготовлении протезов лица. Было подготовлено 52 образца силиконовых эластомеров, и их цветовые параметры оценивались с помощью CIEDE00. ИНС показала лучшие результаты с меньшим цветовым отклонением ΔE00 (3,45±0,87) по сравнению с методом случайного леса (5,54±1,41), то есть метод ИНС более точен для окраски протезов лица [15].

Исследования, посвященные прогнозированию результатов ортопедического лечения с использованием ИИ, показали различные аспекты его применения и эффективность.

K. Ueki et al. (2020) провели исследование по определению цвета зубов с использованием ИНС на основе 62 фотографий зубов. Модель показала точность 68%, что подтверждает ее эффективность. Однако исследователи отметили, что текущая база данных изображений, доступная для обучения, весьма ограничена. Тем не менее, было установлено, что увеличение числа точек данных из одного изображения и их использование для обучения нейронной сети может привести к получению более точных цветовых кандидатов [16].

В аналитическом исследовании применили машинное обучение для прогнозирования конечных цветов керамики CAD/CAM и определения минимальной толщины покрытия для различных клинических условий. Были исследованы 120 образцов керамики с толщинами 0,5 мм, 1 мм и 2 мм. Модель, которая использовала ExtraTreesRegressor (метод случайного леса) и XGBRegressor (метод градиентного бустинга), показала высокую точность предсказаний (R²=0,9). Для достижения эстетического результата (ΔE<2,6) требовалась толщина 1,9 мм для IPS ZirCAD или 1,6 мм для Upcera TT CAD на фоне кобальт-хрома [17].

Эти исследования подтверждают, что ИИ способен повысить точность и эффективность ортопедического лечения, предлагая новые методы прогнозирования и принятия решений на основе данных, что значительно улучшает клинические результаты.

ИИ играет важную роль не только в прогнозировании и планировании стоматологического лечения, но и в диагностике стоматологических заболеваний, что позволяет значительно улучшить качество диагностики и повысить эффективность лечения.

Результаты теста, представленные в табл. 3, показывают, что коэффициент при обратной стандартной ошибке составляет 0.0037, при p-значении 0,0601. Это значение близко к пороговому уровню статистической значимости (обычно p<0,05), что указывает на возможное присутствие публикационного смещения, хотя оно и не достигает высокой статистической значимости.

Таблица 3. Результаты теста Эггера

Распределение точек не является полностью симметричным, что указывает на возможное наличие публикационного смещения. Такая асимметрия может свидетельствовать о том, что исследования с меньшими оценками эффекта (или с большей стандартной ошибкой) могли быть недооценены или не опубликованы.

Полученные результаты предполагают, что в анализируемых данных может присутствовать публикационное смещение. Асимметрия на графике воронки и значение теста Эггера указывают на то, что исследования, включенные в метаанализ, могут демонстрировать систематическое смещение в сторону более высоких оценок эффекта. Это смещение может быть связано с тем, что исследования с отрицательными или менее значительными результатами имеют меньшую вероятность публикации.

Правовое регулирование использования искусственного интеллекта (ИИ) в медицине в России находится на этапе развития. Основные вопросы связаны с правосубъектностью ИИ и его юридической ответственностью. В настоящее время ответственность за действия ИИ лежит на его создателях или операторах, но в будущем возможно признание ИИ как самостоятельного субъекта права.

Одним из ключевых аспектов применения ИИ в здравоохранении является защита персональных данных. В России основным законом, регулирующим этот вопрос, является Федеральный закон «О персональных данных» (ФЗ-152) [18]. При использовании ИИ в здравоохранении необходимо строго соблюдать требования по защите конфиденциальности медицинской информации и данных пациентов.

Применение ИИ в медицинской практике должно соответствовать действующим клиническим рекомендациям и протоколам. Важным шагом является сертификация медицинских изделий и программного обеспечения, основанного на ИИ. В России эти вопросы регулируются Федеральной службой по надзору в сфере здравоохранения (Росздравнадзор), а также рядом подзаконных актов, таких как постановление Правительства РФ № 1416 «О государственной регистрации медицинских изделий» [19].

Помимо правовых аспектов, использование ИИ в медицине требует учета морально-этических вопросов. ИИ не обладает чувствами, такими как стыд или сострадание, что может затруднить реализацию воспитательных и профилактических функций юридической ответственности [20]. В этом контексте рассматривается разработка алгоритмов для искусственного интеллекта, способных воспроизводить человеческие эмоции и содействовать соблюдению этических принципов. Таким образом, правовое регулирование использования ИИ в медицине требует всестороннего подхода, который учитывает как правовые, так и морально-этические аспекты, а также необходимость адаптации существующего законодательства к новым технологическим условиям.

Выводы

ИИ продолжает оказывать значительное влияние на стоматологию, повышая точность диагностики и улучшая качество лечения пациентов. Проведенный систематический обзор показывает, что различные методы ИИ, включая глубокое обучение и сверточные нейронные сети, демонстрируют высокую эффективность в анализе стоматологических изображений и поддержке принятия клинических решений. Несмотря на успехи, существуют проблемы, связанные с ограниченностью данных и необходимостью дальнейших исследований, направленных на оценку применения ИИ в клинической практике. Важно также учитывать аспекты правового регулирования и защиты данных, чтобы обеспечить безопасное и эффективное внедрение ИИ в стоматологию.

Авторы заявляют об отсутствии конфликта интересов.