Диагностическая точность платформы с использованием искусственного интеллекта при оценке периапикального заживления и исходов эндодонтического лечения на панорамных рентгенограммах: ретроспективное исследование

ВВЕДЕНИЕ. Оценка исходов эндодонтического лечения с помощью рентгенографии подвержена вариабельности между наблюдателями и сильно зависит от опыта клинициста. Платформы искусственного интеллекта предлагают возможность стандартизированной и объективной оценки периапикального заживления.

МАТЕРИАЛЫ И МЕТОДЫ. В ретроспективное исследование были включены 400 панорамных рентгенограмм пациентов, прошедших лечение корневых каналов с января 2023 г. по декабрь 2024 г. Для анализа использовалась платформа искусственного интеллекта, разработанная с применением TensorFlow и Keras, обучение модели проводилось в PyTorch, а валидация – в MATLAB Deep Learning Toolbox. Три независимых эксперта-эндодонтиста оценивали все рентгенограммы вслепую; консенсус экспертов служил эталонным стандартом. Исходы классифицировались как «зажившие», «в процессе заживления» или «пораженные» на основе критериев периапикального индекса (PAI). Рассчитывались показатели диагностической эффективности: чувствительность, специфичность, точность, положительное прогностическое значение (PPV) и отрицательное прогностическое значение (NPV).

РЕЗУЛЬТАТЫ. Платформа искусственного интеллекта продемонстрировала общую точность 89,8% при классификации исходов лечения. Для выявления заживших случаев чувствительность составила 92,3%, специфичность – 87,6%, PPV – 88,9%, NPV – 91,5%. Для обнаружения пораженных/персистирующих патологий чувствительность составила 88,7%, специфичность – 93,2%, PPV – 84,3%, NPV – 95,1%. Согласованность между искусственного интеллекта и консенсусом экспертов была высокой (κ Коэна = 0,834, p < 0,001). Производительность искусственного интеллекта была выше для передних зубов (точность 93,2%) по сравнению с молярами (точность 86,4%, p = 0,008). Среднее время обработки одной рентгенограммы составило 2,3 ± 0,4 секунды.

ВЫВОДЫ. Платформа на основе искусственного интеллекта продемонстрировала высокую диагностическую точность, сопоставимую с оценкой экспертов, с потенциалом для стандартизированной и быстрой оценки исходов эндодонтического лечения. Необходимы дальнейшие проспективные исследования и интеграция в клиническую практику.

1. Ng Y.L., Mann V., Gulabivala K. A prospective study of the factors affecting outcomes of nonsurgical root canal treatment: part 1: periapical health. Int Endod J. 2011;44(7):583–609. https://doi.org/10.1111/j.1365-2591.2011.01872.x

2. Patel S., Wilson R., Dawood A., Mannocci F. The detection of periapical pathosis using periapical radiography and cone beam computed tomography – part 1: pre-operative status. Int Endod J. 2012;45(8):702–710. https://doi.org/10.1111/j.1365-2591.2011.01989.x

3. Rushton V.E., Horner K., Worthington H.V. The quality of panoramic radiographs in a sample of general dental practices. Br Dent J. 1999;186(12):630–633. https://doi.org/10.1038/sj.bdj.4800182

4. Molander B., Ahlqwist M., Gröndahl H.G., Hollender L. Comparison of panoramic and intraoral radiography for the diagnosis of caries and periapical pathology. Dentomaxillofac Radiol. 1993;22(1):28–32. https://doi.org/10.1259/dmfr.22.1.8508938

5. Orstavik D., Kerekes K., Eriksen H.M. The periapical index: a scoring system for radiographic assessment of apical periodontitis. Endod Dent Traumatol. 1986;2(1):20–34. https://doi.org/10.1111/j.1600-9657.1986.tb00119.x

6. Tarcin B., Gumru B., Iriboz E., Turkaydin D.E., Ovecoglu H.S. Radiologic assessment of periapical health: Comparison of 3 different index systems. J Endod. 2015;41(11):1834–1838. https://doi.org/10.1016/j.joen.2015.08.010

7. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44–56. https://doi.org/10.1038/s41591-018-0300-7

8. Esteva A., Kuprel B., Novoa R.A., Ko J., Swetter S.M., Blau H.M., Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115–118. https://doi.org/10.1038/nature21056 (Erratum in: Nature. 2017;546(7660):686. https://doi.org/10.1038/nature22985).

9. Schwendicke F., Golla T., Dreher M., Krois J. Convolutional neural networks for dental image diagnostics: A scoping review. J Dent. 2019;91:103226. https://doi.org/10.1016/j.jdent.2019.103226

10. Setzer F.C., Shi K.J., Zhang Z., Yan H., Yoon H., Mupparapu M., Li J. Artificial intelligence for the computer-aided detection of periapical lesions in cone-beam computed tomographic images. J Endod. 2020;46(7):987–993. https://doi.org/10.1016/j.joen.2020.03.025 (Erratum in: J Endod. 2026;52(1):156. https://doi.org/10.1016/j.joen.2025.09.022).

11. Fukuda M., Inamoto K., Shibata N., Ariji Y., Yanashita Y., Kutsuna S. et al. Evaluation of an artificial intelligence system for detecting vertical root fracture on panoramic radiography. Oral Radiol. 2020;36(4):337–343. https://doi.org/10.1007/s11282-019-00409-x

12. Ekert T., Krois J., Meinhold L., Elhennawy K., Emara R., Golla T., Schwendicke F. Deep learning for the radiographic detection of apical lesions. J Endod. 2019;45(7):917–922. e5. https://doi.org/10.1016/j.joen.2019.03.016

13. Yamashita R., Nishio M., Do R.K.G., Togashi K. Convo lutional neural networks: an overview and application in radiology. Insights Imaging. 2018;9(4):611–629. https://doi.org/10.1007/s13244-018-0639-9

14. Chen H., Zhang K., Lyu P., Li H., Zhang L., Wu J., Lee C.H. A deep learning approach to automatic teeth detection and numbering based on object detection in dental periapical films. Sci Rep. 2019;9(1):3840. https://doi.org/10.1038/s41598-019-40414-y

15. Jonasson P., Kvist T. Diagnosis of apical periodontitis in root-filled teeth. Clin Dent Rev. 2018;2:15. https://doi.org/10.1007/s41894-018-0029-1