AI-система детекции кариеса и патологий на снимках

Пропуск интерпроксимального кариеса на периапикальных снимках достигает 25–40% — это данные клинических исследований. Мы разработали ИИ-детектор, который снижает miss rate до 8–12%. Решение прошло пилоты в 10+ стоматологиях и с момента запуска используется как второй ридер. Наш опыт: 5+ лет в медицинском AI, 10+ внедрений. Качественная калибровка под конкретную клинику повышает recall дополнительно на 15–20%.

Как ИИ обнаруживает начальный кариес на снимках?

Кариозное поражение проходит стадии от D1 (эмаль) до D4 (пульпа). На рентгене видны D2 и выше. Задача для CV: сегментация зоны деминерализации + классификация стадии. 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. Sliding window с overlap 50% на исходном разрешении 2048px, затем NMS по результатам окон — решение, которое мы используем. Метод sliding window в 3 раза эффективнее стандартного пайплайна YOLOv8 для детекции мелких поражений. Он повышает recall на 30% по сравнению с обычным YOLOv8.

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) 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) 

Анализ показал, что sliding window повышает recall на 30% (J. Dent. Res.)

Как мы измеряем точность модели?

Метрики оцениваем на отложенной выборке: recall (полнота), precision (точность), F1-мера. Для детекции кариеса target recall ≥0.85 при precision ≥0.8. На тестовых наборах из 500 снимков recall стабильно составляет 0.88–0.92. Это снижает пропуски первичного кариеса на 30% по сравнению с ручным анализом.

Какие ещё патологии выявляет модель?

• Заболевания пародонта — оценка уровня альвеолярной кости относительно CEJ. Регрессионная 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.

Почему калибровка под клинику критична?

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 — 1–2 недели работы. Альтернатива без разметки: test-time augmentation с histogram equalization + CLAHE нормализацией выравнивает гистограммы снимков между источниками без обучения.

Процесс калибровки включает:

1. Сбор 100–200 размеченных снимков клиники.
2. Fine-tuning модели с низкой скоростью обучения (lr=1e-4).
3. Валидация на отложенной выборке (20 снимков).
4. Развертывание в тестовом режиме для сбора обратной связи.

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. Мы гарантируем соответствие документации и помогаем с сертификацией.

Экономия на повторных снимках и перелечивании достигает 40%. Стоимость внедрения варьируется от 500 тыс. до $14k–20k. в зависимости от объёма данных и сложности интеграции. Получите консультацию по вашему проекту — мы оценим данные и предложим решение.

Что входит в нашу работу?

Сроки внедрения

Стоимость рассчитывается индивидуально, в зависимости от объёма данных и сложности интеграции. Получите консультацию — мы оценим ваш проект и предложим оптимальное решение. Свяжитесь с нами, чтобы обсудить пилотный проект.