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 $45–65. 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.