Оценка диагностической возможности обученной нейросетевой модели в стоматологии

Аннотация

Разработка нейросетей — актуальная задача в современной практике врача-стоматолога в связи с необходимостью достижения высоких показателей интерпретации рентгенологических снимков, сокращения времени на оформление первичной медицинской документации, снижения субъективной оценки при диагностике стоматологических заболеваний. Цель работы — оценить диагностические возможности интерпретации рентгенологических снимков в стоматологии при помощи обученной нейросетевой модели.
Материалы и методы. В исследование были включены 300 ортопантомограмм (ОПТГ) пациентов, на которых было изображено не менее 5 зубов без учета их групповой принадлежности. Снимки случайным образом распределили на 3 группы: I — 200 снимков для обучения нейросетевой модели, II — 50 снимков для контроля модели в процессе обучения, III — 50 снимков для ручной разметки врачами-стоматологами (группа сравнения). Для обучения были выбраны 5 доступных нейросетевых моделей «You Only Look Once» v8 с открытым исходным кодом и различным скоростью операций с плавающей точкой: 12, 42, 110, 220 и 344 Гфлопс. Каждая модель обучалась в течение 5000 эпох с регистрацией промежуточных вариантов обученной модели каждые 100 эпох.
Результаты. Применение нейросетей в задачах определения различных рентгеноконтрастных структур на ОПТГ выявляет объекты с точностью 0,98 при условии достаточного количества объектов в обучающей выборке. Увеличение количества эпох обучения увеличивает качество детектирования каждого объекта (0,875) и его сегментации (0,947) до пиковых значений к 2500 эпох и становится практически неизменным при дальнейшем обучении. Увеличение параметра быстродействия модели целесообразно до значений 42 Гфлопс, дальнейшее повышение показателя не выявило диагностической ценности. В сравнении с врачами-стоматологами нейросеть показала значительный прирост в скорости обработки одного снимка, примерно в 25 раз быстрее человека, а качество детектирования врачами лучше на 1%, но бо´льший вклад в ошибку внесен объектами, требующими увеличение обучающей выборки, что в очередной раз подтверждает необходимость правильного формирования обучающего набора данных.
Заключение. Применение нейросети с обученной моделью для детектирования и интерпретации рентгенологических снимков в стоматологии показала высокую диагностическую ценность. Для условий определения и сегментации объектов целесообразно использовать модели таких размеров, которые позволяют обрабатывать объекты с высокой степенью достоверности. Обязательным условием достижения высоких результатов является достаточная обучающая выборка, которая в должной мере способствует повышению качества детектирования объектов и их границ на рентгенологических исследованиях.