Аналіз ефективності моделей штучного інтелекту та машинного навчання для верифікації втрати кісткової тканини як критерію оцінки стану тканин пародонта за даними ортопантомографії

Abstract

Вступ. Моделі штучного інтелекту забезпечують понад 70% точність у класифікації випадків пародонтиту за різними використовуваними наборами даних, проте найзначущіша частка таких представлена саме ортопантомограмами.Мета дослідження. Проаналізувати дані щодо ефективності застосування моделей штучного інтелекту та машинного навчання для верифікації втрати кісткової тканини в проекції власних зубів як критерію оцінки стану тканин пародонта за даними ортопантомографії та встановити показники точності таких моделей у структурі комплексної діагностики пародонтологічних хворих. Матеріали та методи. Опрацювання публікацій відібраних до первинної когорти наукових робіт проводилося шляхом аналізу їх тексту та мануальної екстракції даних у відповідності до наступних досліджуваних категорій: критерії, котрі використовувалися з метою оцінки ефективності застосування моделі штучного інтелекту, орієнтованої на детекцію, квантифікацію та/або класифікацію рівня втрати кісткової тканини в проекції власних зубів за даними ортопантомограм; показники ефективності функціонування апробованих моделей у відповідності до застосовуваних критеріїв; використовувана технологія (алгоритм), яка лягла в основу розробки запропонованої цільової моделі штучного інтелекту.Результати досліджень та їх обговорення. Преваліююча частина досліджень демонструвала досвід застосування саме згорткових нейронних мереж як основного підходу у структурі моделей штучного інтелекту, орієнтованих на верифікацію та класифікацію рівня втрати кісткової тканини в проекції власних зубів за даними ортопантомограм. Кумулятивна діагностична точність таких мереж, використовуваних з вищезгаданою метою, за даними попередньо проведених досліджень складала 0,85, кумулятивна чутливість – 0,84, кумулятивна специфічність – 0,85. Опрацювання ортопантомограм з використанням моделей машинного навчання характеризувалося високою ефективністю щодо верифікації кумулятивної втрати кісткової тканини в проекції усіх наявних зубів.Висновки. В ході проведеного огляду літератури, присвяченого оцінці ефективності застосування клінічно-орієнтованих моделей штучного інтелекту та машинного навчання розроблених для верифікації втрати кісткової тканини в проекції власних зубів, було встановлено, що точність даних моделей згідно результатів опублікованих досліджень виражено зросла після 2020 року, критично наближившись до усередненого показника в 90%, хоча окремі наукові роботи демонструють відмінні показники. Дані літератури періоду 2020–2024 років засвідчують виражений позитивний ріст саме показника чутливості вищезгаданих моделей, тоді як позитивні зміни показника специфічності є менш вираженими з точки зору динаміки. Згорткові нейронні мережі представляють підхід, який найчастіше за даними літератури використовується з метою розробки моделей штучного інтелекту, орієнтованих на детекцію та класифікацію рівнів втрати кісткової тканини в проекції власних зубів за даними ортопантомографії.