Искусственные нейронные сети в лучевой диагностике, в стоматологии и в челюстно-лицевой хирургии (обзор литературы)

Рентгенология - это огромная и наиболее интеллектуально емкая область медицины. Применение искусственного интеллекта (ИИ) пока далеко от полноценного анализа снимков, успешно решаются только базовые, рутинные задачи. В данной обзорной статье представлены современные возможности машинного зрения, основанного на искусственных нейронных сетях (ИНС), в лучевой диагностике, в частности в стоматологии и в челюстно-лицевой хирургии. Результат поиска статей по ключевым словам (от 12.04.2020) демонстрирует увеличение количества публикаций на порядок: с 58 статей в среднем в год в 2000-2015 гг. до 945 в 2019 г. Основное применение нейросети нашли в распознавании анатомических объектов на рентгеновских снимках: кортикального и губчатого слоя челюстных костей, канала нижней челюсти, верхнечелюстного синуса, зубов, корневых каналов; патологических образований и процессов: периапикальных воспалительных изменений, в том числе кист, опухолей, костной резорбции при пародонтите, переломов корней зубов и др. Современные нейросети обучаются и работают как с двухмерными снимками: ортопантомограмма, телерентгенограммы в прямой и боковой проекциях, изображения ультразвукового исследования, так и с трехмерными данными компьютерной и магниторезонансной томографии. Отдельное внимание уделено цефалометрическому анализу. В статье, кроме анализа теоретических изысканий, рассматриваются механизмы интеграции нейросети в лечебный процесс и оценка их реальной пользы для практикующих врачей, а также перспективы развития нейросетевых подходов.
Заключение.
Внедрение технологий машинного зрения на основе глубоких сверточных нейронных сетей для рентгенологической диагностики в стоматологии (и в медицине в целом) является перспективным направлением, позволяющим автоматизировать и ускорить обработку и распознавание исходных данных, и, возможно, уменьшить количество ошибок, связанных с человеческим фактором. Тем не менее сейчас ИНС не могут и не должны заменять узкоспециализированных врачей при постановке диагноза и составлении плана лечения, рекомендуется использовать их в качестве независимых экспертных систем.

Radiology is a huge and most intellectually intensive field of medicine, so the use of artificial intelligence (AI) is still too far from the full analysis of images and successfully solved only basic, routine tasks. This review article presents modern possibilities of machine vision based on artificial neural networks (ANS) in radiation diagnostics, in particular in dentistry and maxillofacial surgery. The result of searching for articles by keywords (from 12.04.2020) shows an increase in the number of publications by an order of magnitude: from 58 articles per year on average in 2000-2015 to 945 in 2019. The main application of the neural network was found in the recognition of anatomical objects on X-rays: cortical and spongy layer of the jaw bones, the lower jaw canal, maxillary sinus, teeth, root canals; pathological formations and processes: periapical inflammatory changes, including cysts, tumors, bone resorption in periodontitis, fractures of the root of teeth, etc. The main application of the neural network is in the recognition of the anatomical objects on X-rays. Modern neural networks are trained and work with two-dimensional (2D) images: orthopantomogram, teleradiograms in forward and lateral projections, ultrasound images, and with three-dimensional (3D) data of computer tomography and magnetic resonance tomography. Special attention is paid to 2D and 3D cephalometric analysis. In addition to the analysis of theoretical research, the article also considers the mechanisms of neural network integration into the treatment process and assessment of their real benefits for practicing doctors, further prospects for the development of neural network approaches.
Conclusion.
Introduction of machine vision technologies on the basis of deep neural network convolution for radiological diagnostics in dentistry (and medicine in general) is a promising direction that allows to automate and speed up processing and recognition of initial data and, possibly, to reduce the number of errors associated with the human factor. However, at present, ANS cannot and should not replace highly specialized doctors when making a diagnosis and drawing up a treatment plan; it is recommended to use them as independent expert systems.