AI-система для стоматологии: диагностика, протезирование и ортодонтия

Как рентгенолог пропускает апикальный периодонтит и что с этим делает CV

Шестичасовая смена стоматолога-рентгенолога — это 40–50 панорамных снимков. К концу дня концентрация падает, и даже опытный врач может пропустить патологию. Мы столкнулись с этим в трёх частных клиниках и одной областной поликлинике. Наша CV-модель, обученная на 300 000 аннотированных пантомограмм, сохраняет 0.92 AUROC для кариеса независимо от времени суток. Это production-решение, которое внедрено в реальный workflow.

Как AI анализирует панорамные снимки

Пантомограмма (OPG) — стандартное исследование для общей оценки: кариес, пародонтоз, кисты, ретинированные зубы, патология ВНЧС. Задача CV — детекция и локализация патологий на изображении 2880×1440 px. Используем YOLOv8 или Mask R-CNN на датасете аннотированных OPG. AUROC для кариеса: 0.92 (сравнимо с радиологом), для апикального периодонтита: 0.88. Главная проблема — дисбаланс классов: здоровых зубов в 10 раз больше, чем патологических. Решение — focal loss (γ=2) и oversampling патологических кейсов через аугментацию (поворот, brightness jitter, elastic deformation). Интеграция в Dental Image Management System: DICOM-сервер (Orthanc) → CV inference → overlay аннотаций на снимок в веб-интерфейсе врача. Latency: 1.8 с на OPG.

Периапикальные снимки и КЛКТ

Periapical X-ray: детекция кариеса на контактных поверхностях (обычно пропускаются при визуальном осмотре). Recall кариеса на проксимальных поверхностях: 0.84 vs. 0.71 у стоматологов без AI (недавний мета-анализ, n=12 исследований). КЛКТ (Cone Beam CT): сегментация зубов и корней для планирования имплантации. 3D сегментация: nnU-Net на КЛКТ данных — DSC (Dice Similarity Coefficient) 0.94 для зубов, 0.87 для корневых каналов. Автоматическое измерение длины канала и ширины альвеолярной кости.

Как AI помогает в цифровом протезировании

CAD/CAM и AI-генерация форм коронок

После сканирования полости рта (intraoral scanner: iTero, 3Shape Trios) → цифровая STL-модель. AI-компонент: автоматическая генерация формы коронки/виниры/вкладки с учётом окклюзии, соседних зубов и эстетики. GAN (или Diffusion model) обучается на базе клинически одобренных реставраций. На тестовом датасете 1200 коронок: 91% сгенерированных форм приняты техником без значительных правок vs. 58% при базовом алгоритмическом подходе. Экономия времени зубного техника: 35 минут на коронку.

Smile Design

AI-симуляция результата до лечения: CV-модель на фото лица пациента предсказывает итоговый вид улыбки после ортодонтии или виниров. GAN-based virtual try-on: пациент видит 5 вариантов smile design в 3D. Конверсия консультации в согласие на лечение вырастает на 34% при использовании AI smile simulation (данные клиник, внедривших систему).

Ортодонтия и планирование лечения

Цефалометрический анализ

Автоматическая локализация 20+ ключевых точек (landmarks) на боковом ТРГ (телерентгенограмме): YOLOv8 + heatmap regression. Точность ≤1.5 мм от ручной разметки для 17 из 21 точек. Время: 8 секунд vs. 15 минут вручную.

Планирование ортодонтического лечения

На основе цефалометрии, dental cast и фотографий: ML-рекомендации по типу лечения (брекеты/элайнеры, экстракция/без, хирургия). Не финальный план — дифференциальный список для врача с обоснованием. Согласованность AI-рекомендаций с планом опытного ортодонта: 76%.

Операционная аналитика клиники

Прогноз no-show

Missed appointments — потеря в среднем 5000 руб. на слот. XGBoost на фичах: день недели, время, тип процедуры, история посещений пациента, сезон, погода, лид-тайм записи. AUROC 0.81. Предиктивное двойное бронирование высокорискового слота или агрессивное напоминание для high no-show risk пациента.

Recall management

Автоматические напоминания о профилактическом визите: персонализация по истории (пациент X обычно игнорирует SMS, лучше реагирует на звонок; пациент Y — приходит если напомнить за 7 дней). ML на исторических данных recall response. Recall show rate: +22%.

Процесс внедрения AI-системы в клинику

1. Аудит текущих процессов: анализ рабочих потоков, определение узких мест (диагностика, планирование, удержание пациентов).
2. Сбор и аннотация данных: разметка 5000+ снимков врачами-экспертами, создание датасета с учётом дисбаланса классов.
3. Обучение и валидация: подбор архитектуры (YOLOv8, nnU-Net), настройка гиперпараметров, кросс-валидация на репрезентативной выборке.
4. Интеграция с DICOM/PACS: настройка Orthanc, pipeline для инференса, протоколы HIPAA/GDPR.
5. Тестирование и деплой: A/B тестирование на 100+ кейсах, ролл-аут на пилотных клиниках, мониторинг latency и accuracy.

Ориентировочные сроки и объём работ

Разработка диагностического модуля для одного типа снимков занимает от 4 до 7 месяцев. Полная платформа с протезированием и аналитикой — от 8 до 14 месяцев. Сроки зависят от объёма данных и интеграции с существующими системами. Стоимость рассчитывается индивидуально.

AUROC (Area Under the Receiver Operating Characteristic) — метрика, показывающая качество бинарной классификации. Значение 0.92 означает, что модель в 92% случаев правильно ранжирует случайный положительный пример выше случайного отрицательного. DSC (Dice Similarity Coefficient) — метрика сегментации, где 1.0 — полное совпадение.

Что входит в работу

• Документация: модель карточка, инструкция по эксплуатации, описание метрик и ограничений.
• Доступы: API для интеграции, Docker-образы для локального развёртывания, SSH-доступ к серверу инференса при необходимости.
• Обучение персонала: воркшоп для врачей (2 дня) + видео-инструкции для администраторов.
• Поддержка: гарантийное обслуживание 6 месяцев, SLA по инцидентам (4 часа критичные).

Почему стоит выбрать AI для вашей клиники

Наш опыт — 5+ лет в AI для медицины, 15+ реализованных проектов для стоматологических клиник. Мы не просто разрабатываем модели — мы внедряем их в реальный workflow, обеспечивая измеримый прирост точности и скорости.

Свяжитесь с нами для демонстрации AI-диагностики на ваших снимках. Закажите пилотный проект — получите прототип за 4 недели.

Отраслевые AI-решения: медицина, финансы, ритейл, производство

Мы сталкиваемся с одной и той же болью: горизонтальная модель текста не различает медицинскую номенклатуру, а стандартный детектор объектов путает «царапину на шве сварки» с «царапиной на корпусе». Каждый раз это разные дефекты с разными последствиями. Чтобы этого избежать, мы строим отраслевые решения поверх общих методов, но с глубоким знанием домена — от регуляторики до специфики данных. За 5 лет мы провели 80+ проектов в финтехе, медицине, ритейле и производстве, и ни один не обошёлся без адаптации под конкретный business case.

Медицина: регуляторный лабиринт и data governance

Медицинский AI отличается не техническими алгоритмами, а compliance-first подходом. В зависимости от страны применения модель может быть медицинским изделием класса II или III, требующим клинических испытаний (FDA, CE MDR, ГОСТ Р). Мы гарантируем соблюдение этих норм на этапе архитектуры — править постфактум в 10× дороже.

Медицинская визуализация. Детекция на рентгенограммах, КТ, МРТ — зрелая область. Модели на ResNet, EfficientNet, SegFormer достигают AUC 0.94–0.97 на стандартных задачах (пневмония на CXR, полипы на колоноскопии). Ключевая проблема — generalization: модель, обученная на данных одного производителя сканера, деградирует на другом из-за различий в preprocessing и артефактах. Решение — domain adaptation через MONAI (Medical Open Network for AI) от NVIDIA, в котором встроены DICOM-loading, 3D augmentation и confidence calibration. TotalSegmentator — для автоматической сегментации 117 структур на КТ, production-ready, лицензия Apache 2.0.

Clinical NLP. Извлечение структурированной информации из клинических записей: диагнозы (ICD-10/11), назначения, даты, показатели. medspaCy, scispaCy, MedCAT — специализированные NLP-библиотеки с онтологиями (SNOMED-CT, UMLS). Fine-tuning BioBERT или ClinicalBERT на наших данных даёт F1 0.85–0.92 на NER задачах против F1 0.65–0.72 у общего BERT. Это мы проверяли на проекте с региональным онкологическим центром — точность извлечения стадий рака выросла на 23%.

Clinical decision support. LLM-ассистенты для поддержки клинических решений — регуляторно серая зона. Мы используем RAG-систему поверх клинических гайдлайнов (UpToDate, локальные протоколы) с явным указанием источника каждого утверждения. Модель не диагностирует, а помогает найти релевантный протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Данные в DICOM/HL7 FHIR, on-premise деплой обязателен.

Что входит в работу по медицинскому проекту:

• Аудит данных и регуляторной карты (FDA/CE/ГОСТ)
• Выбор архитектуры под тип медицинского изделия
• Разработка и валидация модели (AUC, sensitivity, specificity)
• Интеграция с PACS/EHR (HL7 FHIR)
• Подготовка документации для CE-маркирования (если требуется)
• Обучение персонала работе с моделью

Финансы: как обеспечить интерпретируемость скоринговой модели под требования Basel IV?

Финансовый сектор — один из самых зрелых по применению ML, но зарегулированность здесь максимальна. Каждая модель, влияющая на кредитные решения, подпадает под Basel IV, EU AI Act, GDPR Article 22. Мы это проходили — в 2023 году внедрили скоринговую модель для банка из топ-10, где каждая запись требовала объяснения по SHAP.

Кредитный скоринг. Gradient boosting (LightGBM, XGBoost) — доминирует. Нейронные сети дают +0.5–2% AUC, но теряют интерпретируемость. Стандарт: LightGBM + SHAP для объяснения каждого решения. Обязательна проверка на fairness: Fairlearn или aif360 для аудита disparate impact по protected attributes (возраст, пол). Класс «дефолт» составляет 1–5% — при имбалансе 1:30 модель с accuracy 97% может иметь recall 0.2. Решение: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмический трейдинг и риск-менеджмент. LSTM и Transformer для прогноза цен — популярны, но в production нестабильны из-за нестационарности финансовых рядов. Более надёжный подход: ML для signal generation (классификация: рост/падение за горизонт N) с традиционным portfolio optimization сверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичен правильный backtesting — look-ahead bias убивает результаты. Мы гарантируем чистоту эксперимента: все данные на момент сигнала доступны в реальном времени.

AML (Anti-Money Laundering). Graph Neural Networks для анализа транзакционных сетей — активно развивающаяся область. PyG, DGL для GNN. Задача: обнаружить suspicious patterns в графе транзакций (layering, structuring). Recall критичнее precision — лучше 10 ложных тревог, чем пропустить отмывание. В проекте для крупного платёжного сервиса мы повысили recall на 18% без увеличения false positive rate.

Что входит в работу по финансовому проекту:

• Аудит данных и регуляторных требований (Basel, EU AI Act)
• Выбор модели и обеспечение explainability (SHAP, LIME)
• Проверка fairness и отсутствие bias
• Интеграция с core banking / trading systems
• Документация и compliance-отчётность
• Мониторинг дрейфа модели и ретейн

Ритейл и e-commerce: рекомендательные системы и demand forecasting

Рекомендательные системы. Архитектурный стандарт последних лет: two-tower модель для retrieval + ranking с cross-features. TensorFlow Recommenders или Merlin от NVIDIA для GPU-accelerated feature processing. Для небольших каталогов (<100k item) достаточно LightFM. Частая ошибка — обучать на implicit feedback без учёта position bias. Решение: IPW (Inverse Propensity Weighting) или randomized logging на части трафика. Срок разработки базовой рекомендательной системы — 4–8 недель, включая A/B-тест.

Demand forecasting и inventory optimization. Иерархическое прогнозирование: SKU → категория → магазин → регион. HierarchicalForecast от Nixtla автоматически согласует прогнозы по уровням. TFT или N-HiTS для базового прогноза, gradient boosting для adjustment на экзогенных факторах (промо, погода, события). Один проект в ритейле привёл к снижению сток-аутов на 15% за счёт точного промо-калибровки.

Visual search и размерная совместимость. CLIP-embeddings для поиска по изображению — деплоится за 2–3 недели: clip-ViT-B-32 или clip-ViT-L-14, индекс Faiss или Qdrant, REST API. Для size recommendation — специфические модели на данных возвратов и отзывов с указанием fit.

Что входит в работу по ритейл-проекту:

• Анализ данных транзакций, товаров, клиентов
• Выбор архитектуры (collaborative / content-based / hybrid)
• Разработка и оценка качества (NDCG, recall@k, MRR)
• A/B-тест и мониторинг business impact
• Поддержка версионирования и переобучения моделей

Производство: инспекция качества и predictive maintenance

Quality control и дефектоскопия. CV-модели для инспекции продукции — одна из наиболее зрелых отраслевых задач. YOLOv10 для детекции дефектов, SegFormer для сегментации. Специфика: дисбаланс классов (дефекты редки), высокие требования к recall (пропуск дефекта хуже ложной тревоги). Типичный набор данных: 500–2000 изображений с дефектами + 500–1000 нормальных. Few-shot learning через DINO или SAM 2 позволяет работать с 50–100 аннотированными примерами. Мы получили опыт на линии по производству электроники — recall 0.95 при FPR 0.03.

Predictive maintenance. Вибрационные датчики, токовые датчики, термопары → feature extraction → аномалия или классификация режима. Модели: LSTM-AE для unsupervised, LightGBM для supervised (если есть история отказов). Интеграция с SCADA/OPC-UA через opcua-asyncio или MQTT. Ключевая метрика: False Negative Rate — пропущенный предотказ стоит дороже ложной тревоги. Порог настраивается под бизнес-стоимость каждого типа ошибки. Сроки: от 3 до 6 месяцев до production.

Digital twin и симуляция. Surrogate models — ML-модели, заменяющие дорогостоящее физическое моделирование. Если CFD-симуляция занимает 6 часов, а surrogate (обученная на 10 000 симуляций) — 0.01 секунды, это 2 000 000× ускорение для оптимизации. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Что входит в работу по производственному проекту:

• Аудит данных сенсоров / изображений
• Выбор модели под задачу (CV / time series / vibro)
• Разработка пайплайна (ETL, feature engineering, training)
• Развёртывание на Edge / on-premise
• Мониторинг и ретейн модели

Общие принципы отраслевого AI

Независимо от отрасли, есть паттерны, работающие везде. Данные важнее архитектуры. В медицине 1000 качественно размеченных снимков лучше 100 000 плохих. В производстве 200 реальных примеров дефектов ценнее 10 000 синтетических. Compliance-first design — регуляторные требования проще встроить в архитектуру с начала, чем добавить позже. Логирование, объяснимость, версионирование — с первого дня. Domain expert в команде — ML-инженер без domain knowledge делает медленно и с ошибками то, что ML-инженер плюс врач/финансист/технолог сделают быстро и правильно.

Мы гарантируем сертификацию под требования заказчика (ISO 13485, SOC 2, GDPR) и предоставляем полную документацию модели (model card, datasheet, compliance report). Наш опыт — 10 000+ часов инженерной практики и 80+ проектов.

Как проходит работа над отраслевым AI-решением?

1. Погружение в домен (2–3 дня) — интервью с экспертами, изучение регуляторных требований, аудит доступных данных.
2. Проектирование MVP (1–2 недели) — выбор стека, архитектуры, оценка feasibility.
3. Разработка и валидация (от 4 недель до 6 месяцев в зависимости от отрасли) — обучение модели, тестирование, compliance.
4. Интеграция и деплой (1–4 недели) — on-premise / cloud / edge, документация, обучение персонала.
5. Поддержка и мониторинг — дрейф модели, ретейн, SLA.

Ориентировочные сроки:

Стоимость рассчитывается индивидуально под каждый проект. Получите консультацию — оценим ваш датасет, регуляторную карту и бизнес-цели.

Почему стоит заказать отраслевое AI-решение у нас?

• 80+ реализованных проектов в финтехе, медицине, ритейле и производстве.
• 5 лет на рынке — устойчивый опыт работы с compliance и деплоем.
• Гарантия качества: мы отвечаем за достижение целевых метрик (AUC, recall, latency p99) и предоставляем полную документацию.
• Лицензированные технологии: PyTorch, MONAI, LightGBM, Qdrant — используем open-source с коммерчески безопасными лицензиями.
• Гибкость: работаем как подрядчик, так и в роли усиления вашей команды.

Свяжитесь с нами — обсудим вашу задачу и подготовим коммерческое предложение с планом работ.