Биология ва тиббиёт муаммолари 2024 №6 (157)

Тема статьи

УСОВЕРШЕНСТВОВАННАЯ ДИАГНОСТИКА ЗАБОЛЕВАНИЙ ПАРОДОНТА С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ НА ОСНОВЕ РЕНТГЕНОГРАФИЧЕСКИХ ДАННЫХ (245-249)

Авторы

Шомуродова Гулчехра Хуршидовна, Юсупалиходжаева Саодат Хамидуллаевна, Патхиддинова Малохат Шарофиддин кизи, Раимжонов Рустамбек Равшанбек угли, Мирзаолимов Нодирбек Алишер угли, Абдулатибов Абдурасул Абдусалом угли

Учреждение

1 - Ташкентский государственный стоматологический институт, Республика Узбекистан, г. Ташкент; 2 - Андижанский государственный медицинский институт, Республика Узбекистан, г. Андижан

Аннотация

В данном исследовании была разработана и обучена модель искусственного интеллекта для диагностики заболеваний пародонта на основе панорамных рентгенограмм. Модель, обученная на аннотированном наборе данных, позволила выявить закономерности потери костной массы. Подготовка данных и настройка гиперпараметров способствовали оптимизации ее производительности с использовани-ем оптимизатора Adam. Модель U-Net была обучена в течение 800 периодов, что обеспечило высокую точ-ность анализа. Эффективность модели оценивалась через тестовый набор, показывая высокие показатели точности, чувствительности и специфичности в классификации различных типов потери костной мас-сы. Результаты подтверждают, что системы искус-ственного интеллекта могут служить надежным инструментом поддержки стоматологов в интер-претации рентгенограмм и повышении качества ме-дицинской помощи. Исследование открывает пер-спективы для дополнительных стратегий анализа, включая 2D и 3D рентгенографию, что может улуч-шить точность диагностики.

Ключевые слова

заболевание пародонта, искусственный интеллект, нейронные сети, диагностика.

Литературы

1. Самохвалова, Д.Д. Построение нейросетевой модели стратификации пародонтального риска / Д.Д. Самохвалова, М.Д. Перова, И.А. Севостьянов // Стоматология. Эстетика. Инновации. – 2023 – Т. 7 – № 3 – С. 266–275. 2. Самохвалова, Д.Д. Предупреждение деформаций краевого пародонта при планировании ортодонтической программы / И.Д. Самохвалова, Д.Д. Самохвалова, М.Д. Перова // Международная научно-практическая конференция «Современные аспекты комплексной стоматологической реабилитации пациентов с дефектами челюстно-лицевой области», посвященная 60-летию стоматологического факультета КубГМУ. – Краснодар, 2023 – С. 112–119. 3. Юсупалиходжаева , С., & Шомуродова , Г. (2023). Сочетанные воспалительно-деструктивные поражение пародонта: этиология, патогенез, клиника, диагностика. Стоматология, 1(1), 75–79. извлечено от https://inlibrary.uz/index.php/stomatologiya/article/view/20665 4. Юсупалиходжаева С. Х. и др. Современный взгляд на комплексное лечение хронического генерализован-ного пародонтита // Innovative developments and research in education. – 2022. – Т. 1. – №. 12. – С. 261-275. 5. Bousabarah K, Letzen B, Tefera J, et al. Automated detection and delineation of hepatocellular carcinoma on multiphasic contrast-enhanced MRI using deep learning. Abdom Radiol (New York). 2021;46(1):216–25. https://doi.org/10.1007/s00261-020-02604-5 6. De Angelis F., Pranno N., Franchina A., et al. Artificial Intelligence: A New Diagnostic Software in Dentistry: A Preliminary Performance Diagnostic Study // International Journal of Environmental Research and Public Health. 2022. 19 (3): 1728. 10.3390/ijerph19031728. 7.Jiang L, Chen D, Cao Z, Wu F, Zhu H, Zhu F. A two-stage deep learning architecture for radiographic staging of periodontal bone loss. BMC Oral Health. 2022 Apr 1;22(1):106. doi: 10.1186/s12903-022-02119-z. PMID: 35365122; PMCID: PMC8973652. 8. Chae KJ, Jin GY, Ko SB, et al. Deep learning for the classifcation of small (≤2 cm) pulmonary nodules on CT imaging: a preliminary study. Acad Radiol. 2020;27(4):e55–63. https://doi.org/10.1016/j.acra.2019.05.018. 9. Chang H, Lee S, Yong T, et al. Deep learning hybrid method to automatically diagnose periodontal bone loss and stage periodontitis. Sci Rep. 2020;10(1):7531. https://doi.org/10.1038/s41598-020-64509-z. 10. Choi IGG, Cortes ARG, Arita ES, et al. Comparison of conventional imaging techniques and CBCT for periodon-tal evaluation: a systematic review. Imaging Sci Dent. 2018;48(2):79–86. https://doi.org/10.5624/isd.2018. 48.2.79. 11. Chistiakov DA, Orekhov AN, Bobryshev YV. Links between atherosclerotic and periodontal disease. Exp Mol Pathol. 2016;100(1):220–35. https://doi. org/10.1016/j.yexmp.2016.01.006 12. Khan HA, Haider MA, Ansari HA, et al. Automated feature detection in dental periapical radiographs by using deep learning. Oral Surg Oral Med Oral Pathol Oral Radiol. 2021;131(6):711–20. https://doi.org/10.1016/j. oooo.2020.08.024. 13. Kim J, Lee H, Song I, et al. DeNTNet: deep neural transfer network for the detection of periodontal bone loss using panoramic dental radiographs. Sci Rep. 2019;9(1):17615. https://doi.org/10.1038/s41598-019-53758-2. 14. 12. Lang N.P., Bartold P.M. Periodontal health. J. Clin. Periodontol. 2018; 45 Suppl 20: S9-S16. DOI: 10.1111/ jcpe.12936 15. Lee J, Oh J, Choi J, et al. Trends in the incidence of tooth extraction due to periodontal disease: results of a 12-year longitudinal cohort study in South Korea. J Periodontal Implant Sci. 2017;47(5):264–72. https://doi. org/10.5051/jpis.2017.47.5.264. 16. Lee J, Kim D, Jeong S, et al. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. J Dent. 2018;77:106–11. https://doi.org/10.1016/j.jdent.2018.07.015. 17. Tonetti MS, Jepsen S, Jin L, et al. Impact of the global burden of periodontal diseases on health, nutrition and wellbeing of mankind: a call for global action. J Clin Periodontol. 2017;44(5):456–62. https://doi.org/10. 1111/jcpe.12732. 18. Pini Prato G.P., Di Gianfilippo R., Wang H.L. Success in periodontology: An evolutive concept. J. Clin. Periodontol. 2019; 46(8): 840-845. DOI: 10.1111/ jcpe.13150 19. Shimpi N., McRoy S., Zhao H., Wu M., Acharya A. Development of a periodontitis risk assessment model for primary care providers in an interdisciplinary setting. Technol. Health. Care. 2020; 28(2): 143-154. DOI: 10.3233/THC-191642