Определение оптимальной структуры нейронной сети при разработке программ для поддержки принятия решений в дентальной имплантации

Введение. В настоящее время медицина считается одной из стратегических и перспективных областей для эффективного внедрения искусственного интеллекта. Искусственный интеллект в стоматологии является методом создания второго обоснованного мнения, которое основано на математическом принятии решений и прогнозировании. Нейросетевые технологии применяются в таких областях как анализ рентгенограмм зубов, прогнозирование потребности в лечении полости рта у детей, классификация зубных отложений и планирование лечения для ортогнатической хирургии, вспомогательное диагностирования кариеса. Цель работы - разработка оптимальной структуры нейронной сети для оценки риска осложнений при имплантационном лечении частичной и полной потери зубов. Материал и методы исследования. Для эффективного подбора оптимальной топологии нейронной сети оценки риска осложнений при имплантационном лечении потери зубов был проведен ряд экспериментальных моделирований нейросетевых архитектур методом проб и ошибок. База данных представляла собой таблицу клинических случаев пациентов в количестве 1800. Для моделирования были использованы 1626 клинических случаев, которые были разделены на данные для обучения и тестирования в процентном соотношении 80 к 20. Моделирование проводилось с использованием высокоуровневого языка программирования Python 3.8.8. Все расчеты проводились на ПК с процессором Intel(R) Core (TM) i5-8500 с частотой 3,00 ГГц с 16 ГБ оперативной памяти и 64-битной операционной системой Windows 10. Результаты исследования. В результате моделирования были получены графики точности распознавания, а также величины ошибки для каждой из разработанных топологий нейронных сетей. Для улучшения точности разработанных топологий нейронных сетей оценки риска осложнений при имплантационном лечении патологий челюстно-лицевой области было проведено статистическое исследование собранной базы данных для моделирования. Для исследования взаимосвязи между каждым параметром пациента и параметром «приживаемости имплантатов» был выбран метод параметрической статистики, представленный коэффициентом корреляции. В результате проведенного моделирования методом проб и ошибок было установлено что использование нейросетевой архитектуры № 7 без слоев пакетной нормализации (BatchNorm1d) позволяет добиться более быстрых результатов обучения с достаточно высокой точностью распознавания за меньшее количество эпох. Преобразование базы для моделирования и уменьшение размера входного сигнала позволило значительно повысить точность распознавания по сравнению с результатами первого моделирования различных нейросетевых систем распознавания успешности приживаемости имплантатов. Предложенная топология нейронной сети № 5 является наиболее оптимальной по точности распознавания успешности приживаемости имплантатов.

Introduction. Medicine is currently considered one of the strategic and promising areas for effective implementation of artificial intelligence. Artificial intelligence in dentistry is a method of creating a second informed opinion that is based on mathematical decision making and prediction. Neural network technologies are applied in areas such as analysis of dental radiographs, prediction of oral treatment needs in children, classification of dental plaque and treatment planning for orthognathic surgery, and assisted diagnosis of caries. The purpose of the study was to develop an optimal neural network structure to assess the risk of complications in implant treatment of partial and total tooth loss. Material and methods. For the effective selection the optimal topology of the neural network to assess the risk of complications in the implant treatment of tooth loss a series of experimental simulations of neural network architectures by trial and error was conducted. The database was a table of 1800 patient clinical cases. A total of 1626 clinical cases were used for the simulations, which were divided into data for training and testing at a percentage of 80 to 20. Modelling was done using the high-level programming language Python 3.8.8. All the simulations were performed on a 3.00 GHz Intel(R) Core(TM) i5-8500 processor with 16 GB RAM and a 64-bit Windows 10 operating system. Results. Because of the simulations, plots of recognition accuracy as well as error values for each of the developed neural network topologies were obtained. To improve the accuracy of the developed neural network topologies to assess the risk of complications during the implant treatment of maxillofacial pathology, a statistical study of the collected simulation database was conducted. For investigation the relationship between each patient parameter and the «implant engraftment acceptability» parameter, a parametric statistical method represented by the correlation coefficient was chosen. As a result of modeling by trial and error method it was found that using the neural network architecture № 7 without batch normalization layers (BatchNorm1d) allows achieving faster learning results with rather high recognition accuracy in a smaller number of epochs. Transforming the simulation base and reducing the input signal size significantly improved the recognition accuracy in comparison with the results of the first simulation of the different neural network systems for recognition of the implant engraftment success. The proposed topology of the neural network № 5 is the most optimal for the accuracy of recognition of the successful implant survival.