Исследования показали, что искусственный интеллект (ИИ) может распознавать структурные закономерности в данных медицинской визуализации. Однако в стоматологической и челюстно-лицевой радиологии лишь в нескольких исследованиях использовался ИИ для определения местоположения нижнечелюстных каналов. Знание их точного местоположения является необходимым условием для планирования имплантации зубов. До сих пор стоматологам приходилось изучать рентгенограммы, чтобы определить местонахождение нижнечелюстного канала, что является потенциально сложным и трудоемким процессом. Недавнее исследование, проведенное в Финляндии, протестировало использование модели на основе ИИ для этой цели и показало, что модель быстро и точно определяет на 3D-рентгенограммах местоположение каналов.
Исследователи из Университета Аалто в Эспоо, компании Planmeca и Финского центра искусственного интеллекта (FCAI) разработали систему глубокого обучения и тестировали ее с помощью 3D-изображений, визуализированных с помощью КЛКТ. База данных состояла из изображений с пяти различных сканеров КЛКТ от четырех поставщиков и когорт пациентов двух национальностей — 869 финских пациентов (79%) и 234 тайских пациента (21%).
Эффективность системы глубокого обучения была клинически оценена путем сравнения ее результатов с результатами четырех опытных стоматологов и челюстно-лицевых рентгенологов. Модель точно сегментировала нижнечелюстной канал и в целом показала лучше результаты, чем рентгенологи. Кроме того, она продемонстрировала многообещающую возможность обобщения в отношении новых сканеров КЛКТ и этнических групп.
Изображения КЛКТ, показывающие наложенные друг на друга сегментации экспертной системы и системы глубокого обучения. Каждое изображение в каждой колонке аннотировано одним и тем же экспертом, показано красным цветом, аннотация системы глубокого обучения показана зеленым цветом, а перекрытие показано желтым цветом.
“Когда в нейронную сеть поступает огромное количество данных и в ней отмечается местоположение нижнечелюстного канала, она учится оптимизировать свои собственные внутренние параметры. Нейронная сеть, полученная в результате этого обучения, быстро находит нижнечелюстной канал на основе индивидуальных 3D-данных, вводимых пользователем”, об этом в пресс-релизе сообщила соавтор Веса Варьонен, вице-президент по исследованиям и технологиям производителя стоматологического оборудования компании Planmeca, базирующейся в Хельсинки.
“В ходе клинических оценок эксперты проанализировали результаты, полученные с помощью модели, и обнаружили, что в 96% случаев они полностью применимы в клинических условиях. Мы абсолютно уверены в том, что модель работает правильно”, прокомментировал соавтор Яакко Салстен, докторант-исследователь Университета Аалто.
“Сотрудничество возникло из-за потребностей экспертов, практикующих клиническую работу, и из-за поиска способов помочь им в повседневной работе. Используя искусственный интеллект при планировании лечения пациентов, можно сэкономить много времени”, сказала Варьонен.
“Университетская больница Тампере предоставила нам обширные и универсальные клинические материалы, изготовленные с помощью нескольких устройств для 3D-визуализации. Данные были разделены случайным образом, и часть их была использована для обучения нейронных сетей, а часть выделена для тестирования и валидации разработанного метода”, сказал Салстен.
Исследования показали, что искусственный интеллект (ИИ) может распознавать структурные закономерности в данных медицинской визуализации. Однако в стоматологической и челюстно-лицевой радиологии лишь в нескольких исследованиях использовался ИИ для определения местоположения нижнечелюстных каналов. Знание их точного местоположения является необходимым условием для планирования имплантации зубов. До сих пор стоматологам приходилось изучать рентгенограммы, чтобы определить местонахождение нижнечелюстного канала, что является потенциально сложным и трудоемким процессом. Недавнее исследование, проведенное в Финляндии, протестировало использование модели на основе ИИ для этой цели и показало, что модель быстро и точно определяет на 3D-рентгенограммах местоположение каналов.
Исследователи из Университета Аалто в Эспоо, компании Planmeca и Финского центра искусственного интеллекта (FCAI) разработали систему глубокого обучения и тестировали ее с помощью 3D-изображений, визуализированных с помощью КЛКТ. База данных состояла из изображений с пяти различных сканеров КЛКТ от четырех поставщиков и когорт пациентов двух национальностей — 869 финских пациентов (79%) и 234 тайских пациента (21%).
Эффективность системы глубокого обучения была клинически оценена путем сравнения ее результатов с результатами четырех опытных стоматологов и челюстно-лицевых рентгенологов. Модель точно сегментировала нижнечелюстной канал и в целом показала лучше результаты, чем рентгенологи. Кроме того, она продемонстрировала многообещающую возможность обобщения в отношении новых сканеров КЛКТ и этнических групп.
Изображения КЛКТ, показывающие наложенные друг на друга сегментации экспертной системы и системы глубокого обучения. Каждое изображение в каждой колонке аннотировано одним и тем же экспертом, показано красным цветом, аннотация системы глубокого обучения показана зеленым цветом, а перекрытие показано желтым цветом.
“Когда в нейронную сеть поступает огромное количество данных и в ней отмечается местоположение нижнечелюстного канала, она учится оптимизировать свои собственные внутренние параметры. Нейронная сеть, полученная в результате этого обучения, быстро находит нижнечелюстной канал на основе индивидуальных 3D-данных, вводимых пользователем”, об этом в пресс-релизе сообщила соавтор Веса Варьонен, вице-президент по исследованиям и технологиям производителя стоматологического оборудования компании Planmeca, базирующейся в Хельсинки.
“В ходе клинических оценок эксперты проанализировали результаты, полученные с помощью модели, и обнаружили, что в 96% случаев они полностью применимы в клинических условиях. Мы абсолютно уверены в том, что модель работает правильно”, прокомментировал соавтор Яакко Салстен, докторант-исследователь Университета Аалто.
“Сотрудничество возникло из-за потребностей экспертов, практикующих клиническую работу, и из-за поиска способов помочь им в повседневной работе. Используя искусственный интеллект при планировании лечения пациентов, можно сэкономить много времени”, сказала Варьонен.
“Университетская больница Тампере предоставила нам обширные и универсальные клинические материалы, изготовленные с помощью нескольких устройств для 3D-визуализации. Данные были разделены случайным образом, и часть их была использована для обучения нейронных сетей, а часть выделена для тестирования и валидации разработанного метода”, сказал Салстен.
Читайте также:
Статьи от брендов
0 комментариев