ИИ в диагностике апроксимального кариеса: систематический обзор и метаанализ
Исследователи обобщили 20 работ об ИИ-детекции кариеса контактных поверхностей на рентгеновских снимках. По данным метаанализа 10 из них, объединённая чувствительность моделей составила 76%, специфичность — 94%, AUC — 0,90. Лучше всего алгоритмы справлялись с прикусными снимками, однако авторы отмечают высокую гетерогенность исследований и нехватку внешней валидации.
Исследователи Государственной ключевой лаборатории болезней полости рта Сычуаньского университета (Чэнду, Китай) провели систематический обзор и метаанализ, чтобы оценить, насколько точно модели искусственного интеллекта выявляют апроксимальный кариес на рентгеновских снимках разных типов.
Как проводили обзор
Поиск публикаций вели по пяти базам данных: Web of Science, PubMed, IEEE Xplore, ScienceDirect и CNKI. Из отобранных работ извлекали характеристики исследований, сведения о моделях ИИ и показатели диагностической точности. Методологическое качество оценивали по инструменту QUADAS-2; в метаанализ допускали только достаточно строгие по методологии исследования.
Результаты
Всего в обзор вошли 20 исследований: 15 выполнены на прикусных снимках, 3 — на панорамных и 2 — на периапикальных. Заявленная точность ИИ колебалась в очень широком диапазоне — от 28,5% до 100%. Из-за отсутствия части данных в метаанализ удалось включить лишь 10 работ (6 по прикусным, 3 по панорамным и 1 по периапикальным снимкам). Объединённые показатели составили:
- чувствительность — 76% (95% ДИ: 70–80%);
- специфичность — 94% (95% ДИ: 90–96%);
- площадь под сводной ROC-кривой (AUC) — 0,90 (95% ДИ: 0,87–0,92).
Между исследованиями отмечена существенная гетерогенность. На прикусных снимках модели работали несколько точнее, чем на панорамных.
Выводы авторов
ИИ демонстрирует многообещающую диагностическую точность в выявлении апроксимального кариеса и может выступать инструментом поддержки принятия клинических решений. При этом серьёзными барьерами на пути к клиническому внедрению остаются высокая вариабельность результатов и ограниченная внешняя валидация. Дальнейшие исследования, по мнению авторов, должны делать упор на проспективный многоцентровый дизайн и открытые наборы данных.
