Искусственный интеллект в стоматологической диагностике: оценка моделей CNN для выявления кариеса и периапикальных поражений

ВВЕДЕНИЕ. Сверточные нейронные сети (CNN) демонстрируют большие перспективы в автоматизации стоматологической диагностики по рентгенографическим снимкам. Для внедрения этих моделей в клиническую практику необходимы надежные сравнительные исследования на различных задачах и наборах данных.

МАТЕРИАЛЫ И МЕТОДЫ. Мы сравнили три легковесные модели CNN – EfficientNet-B0, ResNet-18 и MobileNetV3 – для двух задач классификации: выявление кариеса эмали на интраоральных снимках и периапикальные поражения на панорамных рентгенограммах. Данные включали набор Caries-Spectra (2000 интраоральных снимков: глубокий кариес, начальный кариес и отсутствие кариеса) и набор панорамных рентгенограмм из 13 071 снимка, размеченных по индексам периапикальных поражений (PAI 3–5). Для задачи с периапикальными поражениями применялась аугментация данных только для обучающей выборки, что увеличило ее размер до 17 004 примеров; валидационные и тестовые выборки (как и все выборки Caries-Spectra) остались в исходном размере. Модели обучались с использованием трансферного обучения с ранней остановкой и оценивались по метрикам точности (accuracy), прецизионности (precision), полноты (recall), F1-меры и матрицам ошибок.

РЕЗУЛЬТАТЫ. EfficientNet-B0 показала наилучшую общую производительность в обеих задачах, достигнув точности 99,74% для выявления кариеса и 69,65% для выявления периапикальных поражений, превзойдя ResNet18 и MobileNetV3 по всем представленным метрикам.

ВЫВОДЫ. Легковесные CNN, в частности EfficientNet-B0, эффективны для классификации стоматологических изображений и являются подходящими кандидатами для интеграции в клинические диагностические рабочие процессы. Выбор архитектуры модели и качество данных существенно влияют на производительность.

1. Gliga A., Imre M., Grandini S., Marruganti C., Gaeta C., Bodnar D. et al. The limitations of periapical X-ray assessment in endodontic diagnosis – A systematic review. J Clin Med. 2023;12(14):4647. https://doi.org/10.3390/jcm12144647

2. Ba-Hattab R., Barhom N., Osman S.A.A., Naceur I., Odeh A., Asad A. et al. Detection of periapical lesions on panoramic radiographs using deep learning. Appl Sci. 2023;13(3):1516. https://doi.org/10.3390/app13031516

3. Song I.-S., Shin H.-K., Kang J.-H., Kim J.-E., Huh K.-H., Yi W.-J. et al. Deep learning-based apical lesion segmentation from panoramic radiographs. Imaging Sci Dent. 2022;52(4):351–357. https://doi.org/10.5624/isd.20220078

4. Panyarak W., Wantanajittikul K., Suttapak W., Charuakkra A., Prapayasatok S. Feasibility of deep learning for dental caries classification in bitewing radiographs based on the ICCMS™ radiographic scoring system. Oral Surg Oral Med Oral Pathol Oral Radiol. 2023;135(2):272–281. https://doi.org/10.1016/j.oooo.2022.06.012

5. Reyes L.T., Knorst J.K., Ortiz F.R., Ardenghi T.M. Machine learning in the diagnosis and prognostic prediction of dental caries: A systematic review. Caries Res. 2022;56(3):161–170. https://doi.org/10.1159/000524167

6. Imak A., Celebi A., Siddique K., Turkoglu M., Sengur A., Salam I. Dental caries detection using score-based multi-input deep convolutional neural network. IEEE Access. 2022;10:18320–18329. https://doi.org/10.1109/ACCESS.2022.3150358

7. Lian L., Zhu T., Zhu F., Zhu H. Deep learning for caries detection and classification. Diagnostics. 2021;11(9):1672. https://doi.org/10.3390/diagnostics11091672

8. Qayyum A., Tahir A., Butt M.A., Luke A., Abbas H.T., Qadir J. et al. Dental caries detection using a semi-supervised learning approach. Sci Rep. 2023;13(1):749. https://doi.org/10.1038/s41598-023-27808-9

9. Chen I.D.S., Yang C.M., Chen M.J., Chen M.C., Weng R.M., Yeh C.H. Deep learning-based recognition of periodontitis and dental caries in dental X-ray images. Bioengineering. 2023;10(8):911. https://doi.org/10.3390/bioengineering10080911

10. Kang I.A., Njimbouom S.N., Kim J.D. Optimal feature selection-based dental caries prediction model using machine learning for decision support system. Bioengineering. 2023;10(2):245. https://doi.org/10.3390/bioengineering10020245

11. Esmaeilyfard R., Bonyadifard H., Paknahad M. Dental caries detection and classification in cbct images using deep learning. Int Dent J. 2024;74(2):328–334. https://doi.org/10.1016/j.identj.2023.10.003

12. Çelik B., Savaştaer E.F., Kaya H.I., Çelik M.E. The role of deep learning for periapical lesion detection on panoramic radiographs. Dentomaxillofac Radiol. 2023;52(8):20230118. https://doi.org/10.1259/dmfr.20230118

13. Liu Y., Xia K., Cen Y., Ying S., Zhao Z. Artificial intelligence for caries detection: a novel diagnostic tool using deep learning algorithms. Oral Radiol. 2024;40(3):375–384. https://doi.org/10.1007/s11282-024-00741-x

14. Tibúrcio-Machado C.S., Michelon C., Zanatta F.B., Gomes M.S., Marin J.A., Bier C.A. The global prevalence of apical periodontitis: a systematic review and meta-analysis. Int Endod J. 2021;54(5):712–735. https://doi.org/10.1111/iej.13467

15. Himel G.M.S., Islam M.M., Hannan U.H. Caries-Spectra: A dataset of enamel caries. 2023. https://doi.org/10.17632/9jnf2jvghy.2

16. Do H.V., Vo T.N.N., Nguyen P.T., Luong T.H.L., Cu N.G, Le H.S. A Dataset of apical periodontitis lesions in panoramic radiographs for deep-learning-based classification and detection. Data Brief. 2024;54:110486. https://doi.org/10.1016/j.dib.2024.110486