AI-планирование ортодонтического лечения
Ручная цефалометрия — разметка 20–80 анатомических точек на боковом ТРГ-снимке — отнимает 20–40 минут врача. Межэкспертная вариабельность достигает 1.5–3 мм на мягких тканях, что критично при планировании остеотомии. Мы разрабатываем AI-модули, которые автоматизируют этот этап: детекция landmarks за 3–5 секунд с точностью 1.4 мм — ниже человеческой вариабельности. Ниже — архитектура решений и практический опыт внедрения на 7+ проектах. По нашим данным, внедрение AI сокращает время планирования на 80–90%, позволяя врачу сосредоточиться на сложных клинических решениях. Получите консультацию — оценим ваш датасет за 2 дня.
Как AI детектирует цефалометрические точки?
Задача — регрессия координат (x, y) для каждой анатомической точки. Стандартные наборы: 19 точек (Steiner), 21 (Tweed), до 80 в расширенных протоколах. Основные архитектуры:
- heatmap regression (HRNet) — предсказывает gaussian heatmap для каждой точки; координата = argmax heatmap. Сохраняет детали высокого разрешения через параллельные ветви.
- direct regression через ViT или ResNet — проще, но точность ниже на 0.5–1.5 мм.
- iterative refinement — грубая детекция, затем crop и уточнение.
# HRNet heatmap regression для landmark detection import torch import torch.nn.functional as F def predict_landmarks(model, image_tensor, image_size=512, num_landmarks=19): with torch.no_grad(): heatmaps = model(image_tensor) # (1, N_landmarks, H/4, W/4) heatmaps = F.interpolate(heatmaps, size=(image_size, image_size), mode='bilinear', align_corners=False) landmarks = [] for i in range(num_landmarks): hm = heatmaps[0, i] idx = hm.argmax() y, x = divmod(idx.item(), image_size) landmarks.append((x, y)) return landmarks Среднее отклонение на тестовой выборке CephAdolescent (400 ТРГ) — 1.4 мм vs 1.8 мм межэкспертной вариабельности. На ключевых точках (Sella, Nasion, A-point, B-point) — 0.9 мм. По данным независимого исследования, опубликованного в журнале Medical Image Analysis.
Сравнение подходов к детекции
| Подход | Точность (мм) | Скорость (ms) | Объём данных |
|---|---|---|---|
| HRNet heatmap | 1.4 | 50 | 200+ изображений |
| Direct regression | 2.0 | 20 | 1000+ |
| Iterative refinement | 1.6 | 80 | 300+ |
HRNet даёт наилучшее соотношение точности и устойчивости к шуму. На практике используем его как базовую модель.
Почему AI точнее ручной разметки?
AI не утомляется, не зависит от освещения и угла снимка. Модель обучается на усреднённой разметке нескольких экспертов, что снижает субъективную погрешность. В результате отклонение AI на 0.4 мм меньше межэкспертной вариабельности — это существенно для планирования остеотомии.
Автоматический расчёт цефалометрических углов и индексов
После детекции landmarks запускается расчёт: угол ANB (норма 2°±2°), SNA, SNB, IMPA, Wits апрейзал. Это прямая аналитическая геометрия по координатам. Результат — автоматически сформированный отчёт с числовыми значениями и отклонением от нормы. Врач видит готовый анализ и верифицирует только точки, вызывающие сомнение.
Состав модулей разработки
| Модуль | Компоненты | Срок, недель |
|---|---|---|
| Цефалометрия | Детекция landmarks (HRNet), расчёт углов, отчёт | 8–12 |
| Прогноз мягких тканей | Диффузионная модель, conditioning на смещение | 8–14 |
| 3D-интеграция | Сегментация КЛКТ (nnU-Net), ICP registration, плагин для Dolphin/ProPlan | 4–8 |
После завершения передаём: обученную модель (ONNX или TorchScript), API-сервер (FastAPI), документацию, тестовые примеры и поддержку на месяц.
Этапы разработки AI-модуля
- Аналитика — сбор требований, оценка объёма и качества размеченных данных (не менее 200–500 изображений).
- Проектирование — выбор архитектуры (HRNet, nnU-Net), подготовка pipeline аугментации.
- Реализация — обучение модели с мониторингом метрик (MSE, HD95). Используем PyTorch, Hugging Face Transformers, vLLM для инференса.
- Тестирование — валидация на отложенной выборке, сравнение с экспертами.
- Деплой — упаковка в Docker, REST API через FastAPI, интеграция с CI/CD.
Предсказание результатов лечения (Treatment Outcome Prediction)
Следующий уровень — прогноз мягкотканных изменений при ортогнатической хирургии. Модель получает план остеотомии (смещение верхней/нижней челюсти в мм) и предсказывает изменения мягких тканей лица. Подход: диффузионная модель, обученная на парах «до операции + план → после операции». Датасет от 500 до 1000 пар КТ/3D-сканов с результатами через 6–12 месяцев. На таком объёме диффузионная модель с conditioning на планируемое смещение даёт визуально убедительные результаты, количественная точность по носу и губам — ±2–4 мм. Для сравнения: ручное планирование даёт разброс ±5 мм.
Интеграция с 3D-планированием
Современная ортогнатика работает в 3D: КЛКТ + сканы зубов + фото. Инструменты: Dolphin Imaging, ProPlan CMF. ИИ-слой поверх: автоматическая сегментация зубов и костных структур в КЛКТ через nnU-Net, автоматическое совмещение КЛКТ с оптическим сканом зубов (ICP registration). Всё это мы собираем в единый pipeline и подключаем к вашему софту.
Сроки и стоимость
Ориентировочные сроки: модуль цефалометрии — 8–12 недель, прогноз мягких тканей — 8–14 недель, интеграция с 3D — 4–8 недель. Стоимость рассчитывается индивидуально в зависимости от объёма размеченных данных и требований к точности. Мы поможем с аугментацией данных, если датасет меньше 500 образцов. Экономия времени врача составляет до 90% — это позволяет быстрее планировать операции и увеличить поток пациентов. Закажите разработку — мы подготовим коммерческое предложение за 2 дня.