Актуальность
Эндодонтия — область стоматологии, которая специализируется на лечении внутренней части зуба (пульпы) и окружающих его тканей. Стоматологи часто сталкиваются с пациентами с разнообразными симптомами, следовательно должны критически оценивать рентгеновские изображения в 2D и 3D, ставить диагнозы и принимать решение и проводить лечение. За последнее десятилетие наблюдается устойчивый рост числа исследований ИИ в эндодонтии, однако его клиническое применение остается ограниченным.
Данный обзор посвящен критической оценке последних достижений в области ИИ для клинической эндодонтии: обнаружению и диагностике патологий (периапикальных поражений, переломов и резорбций), а также прогнозированию исходов лечения. Рассматриваются преимущества диагностики, планирования и выполнения вмешательств с поддержкой ИИ, включая перспективы дополненной реальности и робототехники. Также критически анализируются ограничения, обусловленные спецификой наборов данных, недостаточной прозрачностью («черным ящиком») и обобщающей способностью моделей, а также потенциальные этические дилеммы. В ближайшем будущем ИИ значительно повлияет на повседневный рабочий процесс и образование врачей.
Введение
Технологии ИИ уже совершили прорыв в радиологии, сердечно-сосудистой хирургии и неврологии. Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) одобрило более 170 медицинских приложений на базе ИИ. В эндодонтии искусственный интеллект имеет потенциал для улучшения диагностики, лечения и профилактики заболеваний пульпы и периапикальных тканей. Хотя основное внимание уделяется рентгенологической диагностике, также разрабатываются приложения для поддержки самого лечения и прогнозирования отдаленных результатов.
Этот обзор освещает различные технологии ИИ в эндодонтии, а также связанные с ними проблемы, ограничения и этические вопросы. Ключевые достижения включают автоматизацию обнаружения периапикальных поражений (ПП), трещин (переломов), резорбций и детальный анализ анатомии корневых каналов. Значительная часть исследований опирается на двумерную (2D) рентгенографию (периапикальные и панорамные снимки). Однако внедрение трехмерной конусно-лучевой компьютерной томографии (КЛКТ) существенно повысило точность обнаружения ПП по сравнению с 2D-методами. При этом интерпретация КЛКТ клиницистами страдает от низкой воспроизводимости, а чувствительность к выявлению поражений в ранее леченых зубах остается невысокой. Таким образом, применение ИИ для анализа КЛКТ становится критически важным для минимизации субъективности исследователя. Систематический обзор и мета-анализ объединенных данных 12 исследований показал, что диапазон чувствительности алгоритмов глубокого обучения при обнаружении ПП составляет от 0,65 до 0,96, что сопоставимо с точностью опытных специалистов при работе с КЛКТ.
Модели ИИ также применяются для анализа текстовых записей в образовательных целях и классификации патологий. В эндодонтии распознавание естественного языка пока не задействовано, однако будущие системы смогут проводить объективный аудит медицинских карт. Это сопряжено с рисками систематической ошибки отбора и нарушением конфиденциальности персональных данных. Перспективным решением здесь видится использование синтетических данных — искусственно созданных историй болезни, смоделированных на основе реальной статистики.
Потенциальные преимущества использования ИИ в диагностике и планировании лечения.
Интеграция ИИ в диагностический и лечебный процесс несет ряд преимуществ:
- Повышение точности: Алгоритмы способны анализировать огромные объемы данных (рентгенограммы, сканы КЛКТ, анамнез, жалобы), выявляя едва заметные для человеческого глаза признаки патологии.
- Объективность: ИИ снижает субъективную предвзятость врача, предоставляя количественную оценку состояния тканей.
- Стандартизация: Технологии обеспечивают последовательность подходов и снижают межнаблюдательную изменчивость, гарантируя соответствие протоколов доказательной медицине.
- Поддержка принятия решений: Системы могут предоставлять рекомендации второго мнения, основанные на доказательствах, и предупреждать о «красных флагах», указывающих на высокий риск осложнений.
- Экономическая эффективность: Использование ИИ может сократить количество ненужных повторных лучевых исследований и консультаций смежных специалистов.
- Дифференциальная диагностика одной из главных проблем эндодонтии: Неудачное лечение корневых каналов ставит вопрос о выборе между нехирургическим и хирургическим перелечиванием. Гистологически очаги у верхушки корня могут быть гранулемами, абсцессами или кистами. Абсцессы диагностируются клинически (отек, свищевой ход), тогда как эпителиально-выстланные кисты невозможно отличить от гранулем ни визуально, ни рентгенологически. Это критично влияет на прогноз: гранулемы обычно заживают после качественного консервативного перелечивания, в то время как кисты часто требуют хирургического иссечения. Способность ИИ дифференцировать апикальную гранулему от кисты на основе анализа рентгеновской плотности и микроморфологии даст врачам решающее преимущество в выборе тактики. Ранние исследования Саймона и др. (2006), основанные на анализе значений серой шкалы КЛКТ, позволили идентифицировать кисты с точностью 76,5% относительно гистологического стандарта. Окада и др. (2015), применив полуавтоматическую графовую сегментацию, подтвердили эти результаты с совпадением в 94,1%. Вер Берне и др. (2023) представили двухэтапный алгоритм глубокого обучения для обнаружения и классификации кист, достигнув чувствительности 1,00 и специфичности 0,95. Кроме того, изучается применение ИИ для дифференциации амелобластом и одонтогенных кератокист; лучшие результаты показывают модели при работе с образованиями диаметром более 10 мм.
Основные вызовы и направления будущего
Несмотря на потенциал, широкое внедрение ИИ сдерживается рядом факторов:
- Качество данных: Наборы данных в эндодонтии часто малы, фрагментированы и несбалансированы (недостаточно примеров редких патологий).
- Прозрачность: Сложность современных нейросетей затрудняет понимание логики постановки диагноза, что подрывает доверие врачей и пациентов.
- Обобщающая способность: Модели, обученные на снимках одного аппарата или клиники, часто дают сбои при применении к данным другого оборудования.
- Этико-правовые аспекты: Вопросы ответственности за врачебную ошибку, допущенную при подсказке ИИ, защиты данных и информированного согласия пациента.
В перспективе развитие получат гибридные человеко-машинные интерфейсы, интеграция ИИ с навигационной хирургией, дополненной реальностью и микрохирургическими роботами, что позволит вывести эндодонтическое лечение на новый уровень предсказуемости и минимальной инвазивности.