Diagnocam нашёл кариес. Что именно он увидел?

ИИ-диагностика в стоматологии

Diagnocat — программа на базе искусственного интеллекта, предназначенная для автоматической диагностики и анализа стоматологических рентгеновских снимков. Проект стартовал в 2017 году, в 2019-2020 годах, после обучения на множестве снимков, его стали внедрять в практику коммерческих стоматологических клиник. 

Насколько врач-стоматолог может доверять ИИ-инструментам, на современном этапе развития технологий? 

“Видит” ли программа зуб или “додумывает”? 

Алгоритм отмечает одни участки зуба и пропускает другие. Почему, и как врачу интерпретировать эти находки?

Когда Diagnocat выделяет участок на рентгенограмме, легко воспринимать подсветку как подтвержденный диагноз. Но программа не видит зуб по-настоящему: она анализирует изображение и выдает прогноз, основанный на закономерностях, которые были усвоены при обучении.

Что стоит за подсветкой на снимке?

Системы компьютерного зрения обучают на изображениях с заранее размеченными находками. Модель учится связывать особенности изображения с определенными диагностическими категориями. На результат влияют:

  • качество снимка
  • выраженность изменений
  • наложение анатомических структур
  • характеристики обучающих данных [2, 3].

В публикации 2021 года разработчики Diagnocat описали систему на основе свёрточных нейронных сетей для анализа конусно-лучевых компьютерных томограмм (КЛКТ) [2]. Однако система анализировала трёхмерные изображения, поэтому эти результаты нельзя напрямую переносить на современные алгоритмы анализа ортопантомограмм.

Точная логика коммерческой модели и состав обучающей выборки для современной версии Diagnocat не раскрыты в достаточной степени. Поэтому нельзя достоверно сказать, какой именно визуальный признак стал причиной конкретной отметки. Подсвеченная область показывает результат прогноза, не объясняя его.

Насколько можно доверять ИИ?

В независимом исследовании общая точность Diagnocat составила 91,6%, однако чувствительность была ниже — 73,1%. 

Алгоритм выявлял примерно 7 из 10 поверхностей с кариесом. Специфичность достигла 94,3%, то есть большинство здоровых поверхностей система правильно распознавала как непораженные. 

При этом положительная прогностическая ценность составила 64,7%. Среди поверхностей, на которых программа обнаружила кариес, примерно две трети действительно имели признаки поражения по оценке экспертов [1].

В исследованной выборке система выявляла не все поражения, а среди положительных находок часть не совпадала с экспертным эталоном. При отдельном анализе поражений эмали и дентина положительная прогностическая ценность составила 42,0 и 39,2% соответственно.

Систематический обзор 2024 года выявил: 

  • неоднородность результатов исследований ИИ для обнаружения кариеса на снимках,
  • ограничения качества доказательств, включая недостаточную внешнюю валидацию моделей [3].

Чек-лист взвешенных решений

Искусственный интеллект подсвечивает участки снимка, позволяя вернуться к ним для дополнительного изучения. Однако полагаться только на его алгоритмы для анализа и интерпретации тканей недостаточно.

  1. Проверьте качество снимка, проекцию и возможные наложения.
  2. Сопоставьте увиденное на экране с клиническим осмотром и предыдущими рентгенограммами, если они доступны.
  3. Оцените глубину поражения, наличие полости и активность процесса отдельно.
  4. Выбирайте тактику лечения по совокупности диагностических данных, а не по рекомендации программы.

Diagnocat может помочь заметить то, что ускользнуло при первом просмотре. Но обнаружение подозрительного участка, подтверждение кариеса и выбор лечения все еще доступно лишь естественному интеллекту врача.

ИИ помогает искать, а клинический диагноз по-прежнему требует интерпретации специалиста.

Источники:
1. Giannakopoulos K., Kavadella A., Paraskevis D., et al. Evaluating AI diagnostic accuracy in approximal dental caries detection on bitewing radiographs. Clinical Oral Investigations. 2026;30:207. DOI: 10.1007/s00784-026-06882-z.
2. Ежов М., Гусарев М., Голицына М. и соавт. Клинически применимая система искусственного интеллекта для стоматологической диагностики с использованием КЛКТ // Научные доклады (Scientific Reports). 2021;11:15006. DOI: 10.1038/s41598-021-94093-9.
3. Aly N. M. et al. Diagnostic performance of artificial intelligence-aided caries detection on bitewing radiographs: a systematic review and meta-analysis. Japanese Dental Science Review. 2024;60:128–136. DOI: 10.1016/j.jdsr.2024.02.001.

Авторы

Доступ к комментариям ограничен 😔

Чтобы посмотреть комментарии других врачей и поделиться своим мнением, пожалуйста, войдите на Medpoint