ИИ-моделирование результатов дентальной имплантации
Планирование имплантации на КЛКТ вручную занимает 30–60 минут на один случай: врач оценивает объём кости, расстояние до нижнечелюстного канала, угол установки. Мы разработали ИИ-систему для автоматического моделирования и прогноза результатов имплантации, которая автоматизирует сегментацию, измерения и предлагает оптимальную позицию имплантата за 2–3 минуты. Наш опыт — 5+ лет в медицинском AI, 30+ проектов в стоматологии. Гарантируем точность сегментации на уровне опытного радиолога.
Входные данные: DICOM-серия КЛКТ, обычно 300–600 срезов толщиной 0.2–0.5 мм. Задача: сегментировать каждый зуб, кортикальную и трабекулярную кость, нижнечелюстной канал, гайморовы пазухи.
Архитектура: nnU-Net — self-configuring framework, который автоматически подбирает архитектуру и гиперпараметры под конкретную задачу nnU-Net. Для зубной КЛКТ стандартно работает 3D full resolution nnU-Net. Этот подход обеспечивает Dice score 0.94 для зубов и 0.87 для нижнечелюстного канала.
# Запуск предсказания nnU-Net на КЛКТ from nnunetv2.inference.predict_from_raw_data import nnUNetPredictor predictor = nnUNetPredictor( tile_step_size=0.5, use_gaussian=True, use_mirroring=True, device=torch.device('cuda', 0), verbose=False ) predictor.initialize_from_trained_model_folder( model_training_output_dir, use_folds=(0, 1, 2, 3, 4), checkpoint_name='checkpoint_final.pth' ) predictor.predict_from_files( [[cbct_file]], output_folder, save_probabilities=False ) Какие риски снимает автоматическое измерение кости?
После сегментации — автоматические измерения для каждой потенциальной позиции имплантата:
- Высота кости (расстояние от гребня до нижнечелюстного канала или дна пазухи) — критический параметр для выбора длины имплантата
- Ширина кости на разных уровнях (1, 3, 5 мм от гребня)
- Плотность кости в HU по классификации Misch: D1 (>1250 HU), D2 (850–1250), D3 (350–850), D4 (<350)
- Безопасное расстояние до нижнечелюстного канала (минимум 2 мм по протоколу)
Все измерения выполняются программно из segmentation mask + DICOM pixel spacing. Это исключает человеческий фактор при ручных промерах.
Позиционирование имплантата: оптимизация с ограничениями
Оптимизация позиции — задача с ограничениями: максимизировать контакт с кортикальной костью при соблюдении safety margins. Реализуется как constrained optimization через scipy.optimize или через RL-агент (на практике уступает классическому подходу).
Предлагаем 3–5 вариантов позиций с оценкой каждого по набору критериев (объём кости, плотность, расстояние до анатомических структур). Врач выбирает или корректирует.
Прогноз выживаемости имплантата
ML-модель на основе клинических данных предсказывает вероятность успеха на 5 и 10 лет. Признаки: качество кости (D-класс), локализация, возраст пациента, курение, диабет, метод нагрузки (немедленная/отсроченная).
XGBoost на ретроспективной выборке 3 200 имплантатов: AUC 0.81 для прогноза неудачи на 5 лет. Это позволяет заранее усилить протокол для пациентов из группы риска.
Сравнение: ручное планирование vs AI
| Параметр | Ручное планирование | AI-моделирование |
|---|---|---|
| Время на случай | 30–60 мин | 2–3 мин |
| Сегментация | Визуальная, субъективная | nnU-Net, Dice >0.90 |
| Оценка плотности | Приблизительная | HU-измерение по Misch |
| Позиционирование | Интуитивное | 3–5 вариантов + оптимизация |
| Прогноз успеха | Нет | AUC 0.81 на 5 лет |
| Стоимость на случай | ~$80–120. | ~$20–40. |
AI-моделирование сокращает время в 10–15 раз и добавляет объективную оценку. Экономия бюджета при масштабировании — до 80%.
Как ИИ ускоряет сегментацию КЛКТ?
Технические детали обучения
Мы используем nnU-Net с обучением на 200+ размеченных КЛКТ, аугментация: рандомный поворот, флип, деформация. Обучение на 4×A100 80GB занимает 2–3 дня.Что входит в работу
- Обученная модель сегментации КЛКТ под вашу технику сканирования
- REST API или классы Python для интеграции
- Модуль автоматических измерений и прогноза выживаемости
- Экспорт позиций в STL для 3D-печати шаблонов
- Документация (model card, инструкция по запуску, примеры)
- Обучение команды (2–3 дня онлайн)
- Пост-релизная поддержка 3 месяца
Процесс работы
| Этап | Длительность |
|---|---|
| Аналитика: сбор данных и оценка разметки | 1–2 недели |
| Проектирование: адаптация nnU-Net и pipeline | 2–3 недели |
| Реализация: обучение и модули | 4–6 недель |
| Тестирование: валидация и сравнение | 1–2 недели |
| Деплой: упаковка в ONNX Runtime | 1–2 недели |
Сроки и стоимость
Модуль сегментации КЛКТ + измерения: 10–14 недель. Полная система с позиционированием и прогнозом: 18–26 недель. Стоимость рассчитывается индивидуально по объёму данных и числу интеграций. Свяжитесь с нами — оценим ваш проект за 2–3 дня. Получите консультацию по внедрению AI в стоматологию.
Почему выбирают нас?
- 5+ лет опыта в медицинском AI, 30+ проектов по сегментации (КТ, МРТ, КЛКТ)
- Собственные dataset-ы для дообучения, включая трудные случаи (металлические артефакты, аномалии)
- Полный цикл: от сбора данных до продакшн-инференса с latency p99 < 1 секунды на одном снимке
- Используем открытые стандарты (nnU-Net, ONNX, DICOM) — не привязываем к вендору
Типичные ошибки при внедрении (и как их избежать)
- Недостаточное количество обучающих данных: минимум 50 размеченных КЛКТ, лучше 200+.
- Игнорирование дрейфа домена: если используете другой томограф — нужно fine-tuning на 5–10 сканах.
- Упрощение валидации: не полагайтесь только на Dice, проверяйте клинически значимые отклонения (расстояние до канала).