ИИ-детекция кариеса и патологий зубов
Интерпроксимальный кариес — между зубами — врач пропускает на периапикальных снимках в 25–40% случаев по данным клинических исследований. На битевых снимках он заметен лучше, но не всегда очевиден. ИИ-детектор кариеса как второй ридер снижает miss rate до 8–12%.
Кариес: стадии и CV-подходы
Кариозное поражение проходит стадии от D1 (эмаль) до D4 (пульпа). На рентгене видны D2 и выше — интрадентинный и глубокий кариес. D1 (поверхностный) на рентгене не визуализируется.
Задача для CV: сегментация зоны деминерализации + классификация стадии (D2/D3/D4). Размер поражения на снимке — от 5 до 50+ пикселей на изображении 2048×2048. Это микродетекция, требующая высокого разрешения входа.
Проблема стандартного YOLOv8 при imgsz=640: мелкие кариозные полости (D2, начальный D3) пропускаются — их размер 3–8 пикселей при таком разрешении. Решение: sliding window с overlap 50% на исходном разрешении 2048px, затем NMS по результатам окон.
def detect_caries_highres(image_2048, model, window=640, overlap=0.5):
stride = int(window * (1 - overlap))
detections = []
for y in range(0, image_2048.shape[0] - window + 1, stride):
for x in range(0, image_2048.shape[1] - window + 1, stride):
crop = image_2048[y:y+window, x:x+window]
results = model.predict(crop, conf=0.3)
# Переводим координаты в систему исходного изображения
for box in results[0].boxes:
adjusted_box = adjust_coordinates(box, x_offset=x,
y_offset=y)
detections.append(adjusted_box)
return nms(detections, iou_threshold=0.3)
Детекция других патологий
Заболевания пародонта — оценка уровня альвеолярной кости относительно CEJ (цементно-эмалевого соединения). Регрессионная задача: модель предсказывает процент убыли кости. Обученная модель на Mendeley Dental Panoramic dataset: MAE = 11% убыли кости — достаточно для первичного скрининга.
Состояние реставраций — детекция пломб (металлических и керамических), коронок, культевых вкладок. Классификация по материалу и оценка краевого прилегания (есть/нет зазор).
Камень — зубной камень на битевых снимках визуализируется как плотная масса у шейки зуба. Простая классификация (есть/нет) работает с accuracy 0.91 при малом обучающем датасете.
Корневые каналы — качество пломбировки каналов: длина заполнения, равномерность, выход пасты за апекс. Это важно для оценки результатов эндодонтического лечения.
Калибровка под клинику
Каждая клиника — разный рентген-аппарат, разные настройки экспозиции, разные характеристики матрицы. Без калибровки модель, обученная на данных одного аппарата, теряет 15–25% precision на другом.
Решение: domain adaptation через fine-tuning на 100–200 размеченных снимках конкретной клиники. Это 1–2 недели работы и радикально улучшает локальные метрики.
Альтернатива без разметки: test-time augmentation с histogram equalization + CLAHE нормализацией — выравнивает гистограммы снимков между источниками без обучения.
Регуляторные требования
Система позиционируется как decision support tool (ДСП), а не автономный диагноз. Это снимает требования Medical Device класса III и позволяет работать в формате «второй ридер». В ЕС — MDR Class IIa, в России — РУ Росздравнадзора для ПО медицинского назначения.
Сроки
Модуль детекции кариеса (битевые + периапикальные снимки): 8–12 недель. Расширенный модуль с пародонтом и реставрациями: 14–20 недель. Стоимость рассчитывается с учётом объёма обучающих данных.