Нейросети предсказали распределение окклюзионной нагрузки по интраоральному скану
В пилотном исследовании пять архитектур глубокого обучения обучили воспроизводить карты окклюзионных сил системы T-Scan по изображениям интраоральных сканов 26 участников. Наилучшее структурное сходство показала модель CNN-Attention, минимальную ошибку — Pix2Pix. Авторы подчёркивают: для подтверждения клинической применимости нужны более крупные выборки.
Исследователи кафедры ортопедической стоматологии Университета Гази (Анкара, Турция) проверили, можно ли с помощью глубокого обучения предсказать распределение окклюзионной нагрузки, измеряемое системой T-Scan, по изображениям интраорального сканирования.
Дизайн исследования
В работе использовали парные изображения — интраоральные сканы и карты T-Scan — 26 участников. После контроля качества данные случайным образом разделили на уровне испытуемых: 18 человек вошли в обучающую выборку, 4 — в валидационную и 4 (8 пар изображений) — в тестовую. Пять архитектур глубокого обучения — U-Net, ResNet-UNet, Vision Transformer, CNN-Attention и Pix2Pix — обучали предсказывать карты окклюзионных сил T-Scan по окклюзионным изображениям сканов. Первичной конечной точкой заранее определили индекс структурного сходства (SSIM); для сравнения моделей применяли непараметрическую статистику (критерий Фридмана с пост-хок анализом Уилкоксона и поправкой Холма) и бутстреп-доверительные интервалы.
Результаты
Различия между моделями оказались статистически значимыми (p = 0,00069).
- CNN-Attention показала наибольшее структурное сходство с реальными картами — средний SSIM 0,501 ± 0,030 — и значимо превзошла U-Net, Vision Transformer и ResNet-UNet (скорректированное p < 0,05), при этом значимо не отличаясь от Pix2Pix.
- Pix2Pix продемонстрировала наименьшую среднюю абсолютную ошибку — 0,237 ± 0,018, то есть точнее всех приближала интенсивность на уровне пикселей.
Кривые валидации выявили различное поведение моделей в ходе оптимизации: при состязательном обучении показатель SSIM улучшался на поздних этапах тренировки.
Выводы авторов
На этом пилотном наборе данных модели глубокого обучения приближённо воспроизводили карты окклюзионных сил T-Scan по изображениям интраоральных сканов. По мнению авторов, искусственный интеллект может помочь оценивать функциональное распределение окклюзионной нагрузки на основе морфологических данных сканирования, однако для подтверждения клинической применимости необходимы дальнейшие исследования на более крупных наборах данных.
Вычислительное предсказание функциональных карт окклюзионных сил по интраоральным сканам может стать шагом к объединению морфологических и функциональных данных в цифровых стоматологических протоколах, но до клинического применения требуются более масштабные валидационные исследования.
