Нейросети нашли нижнечелюстной канал на КЛКТ с точностью эксперта и в 18,7 раза быстрее
Метаанализ 38 исследований и более 8420 КЛКТ-объёмов дал объединённый коэффициент Дайса 0,82 при автоматической сегментации нижнечелюстного канала. Модели на трансформерах оказались точнее свёрточных сетей, а разметка занимала 32 секунды против 600 у эксперта.
Точная локализация нижнечелюстного канала на конусно-лучевой компьютерной томографии (КЛКТ) критична для предотвращения ятрогенного повреждения нерва при челюстно-лицевых операциях и дентальной имплантации. Систематический обзор с метаанализом оценил диагностическую точность, анатомическую точность локализации и временную эффективность систем искусственного интеллекта на основе глубокого обучения при автоматической сегментации нижнечелюстного канала в сравнении с ручной разметкой экспертами.
Как проводили анализ
Поиск литературы вели по базам PubMed, Scopus, Web of Science, IEEE Xplore и Embase в соответствии с рекомендациями PRISMA. Включали исследования, оценивавшие работу ИИ-моделей для обнаружения нижнечелюстного канала на КЛКТ-сканах, где эталонным стандартом служила экспертная разметка.
Первичным показателем был коэффициент сходства Дайса (DSC), вторичными — среднее симметричное поверхностное расстояние (ASSD) и время обработки. Статистический анализ выполняли с помощью модели случайных эффектов.
Что показал метаанализ
В количественный синтез вошли 38 уникальных исследований, охвативших более 8420 КЛКТ-объёмов.
- Объединённый DSC для сегментации на основе ИИ составил 0,82 (95% ДИ: 0,79–0,85).
- Анализ подгрупп показал, что архитектуры на основе трансформеров (DSC 0,89) значимо превосходят традиционные свёрточные нейронные сети (CNN).
- Объединённое значение ASSD составило 0,42 мм (95% ДИ: 0,38–0,47) — это высокая анатомическая точность, близкая к размеру вокселя.
- Автономная сегментация занимала в среднем 32 секунды против 600 секунд при ручной экспертной разметке (p < 0,001), то есть экономия времени в клиническом рабочем процессе оказалась 18,7-кратной.
Выводы авторов
Алгоритмы глубокого обучения обеспечивают высокоточные, воспроизводимые и быстрые результаты на уровне эксперта-человека при автоматической сегментации нижнечелюстного канала на КЛКТ-изображениях.
Интеграция этих ИИ-систем в клинические протоколы способна повысить безопасность хирургического вмешательства и стандартизировать процессы предоперационного планирования в дентальной имплантологии.
