ІІ-моделювання результатів дентальної імплантації
Планування імплантації на КЛКТ вручну займає 30–60 хвилин на один випадок: лікар оцінює об'єм кістки, відстань до нижньощелепного каналу, кут встановлення. Ми розробили ІІ-систему для автоматичного моделювання та прогнозу результатів імплантації, яка автоматизує сегментацію, вимірювання та пропонує оптимальну позицію імплантата за 2–3 хвилини. Наш досвід — 5+ років у медичному AI, 30+ проєктів у стоматології. Гарантуємо точність сегментації на рівні досвідченого радіолога.
Вхідні дані: DICOM-серія КЛКТ, зазвичай 300–600 зрізів товщиною 0.2–0.5 мм. Задача: сегментувати кожен зуб, кортикальну та трабекулярну кістку, нижньощелепний канал, гайморові пазухи.
Архітектура: nnU-Net — self-configuring framework, який автоматично підбирає архітектуру та гіперпараметри під конкретну задачу nnU-Net. Для зубної КЛКТ стандартно працює 3D full resolution nnU-Net. Цей підхід забезпечує Dice score 0.94 для зубів та 0.87 для нижньощелепного каналу.
# Запуск передбачення 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 ) Які ризики знімає автоматичне вимірювання кістки?
Після сегментації — автоматичні вимірювання для кожної потенційної позиції імплантата:
- Висота кістки (відстань від гребеня до нижньощелепного каналу або дна пазухи) — критичний параметр для вибору довжини імплантата
- Ширина кістки на різних рівнях (1, 3, 5 мм від гребеня)
- Щільність кістки в HU за класифікацією Misch: D1 (>1250 HU), D2 (850–1250), D3 (350–850), D4 (<350)
- Безпечна відстань до нижньощелепного каналу (мінімум 2 мм за протоколом)
Всі вимірювання виконуються програмно з segmentation mask + DICOM pixel spacing. Це виключає людський фактор при ручних промірах.
Позиціонування імплантата: оптимізація з обмеженнями
Оптимізація позиції — задача з обмеженнями: максимізувати контакт з кортикальною кісткою при дотриманні safety margins. Реалізується як constrained optimization через scipy.optimize або через RL-агент (на практиці поступається класичному підходу).
Пропонуємо 3–5 варіантів позицій з оцінкою кожного за набором критеріїв (об'єм кістки, щільність, відстань до анатомічних структур). Лікар обирає або коригує.
Прогноз виживаності імплантата
ML-модель на основі клінічних даних передбачає ймовірність успіху на 5 та 10 років. Ознаки: якість кістки (D-клас), локалізація, вік пацієнта, куріння, діабет, метод навантаження (негайне/відстрочене).
XGBoost на ретроспективній вибірці 3 200 імплантатів: AUC 0.81 для прогнозу невдачі на 5 років. Це дозволяє заздалегідь посилити протокол для пацієнтів з групи ризику.
Порівняння: ручне планування vs AI
| Параметр | Ручне планування | AI-моделювання |
|---|---|---|
| Час на випадок | 30–60 хв | 2–3 хв |
| Сегментація | Візуальна, суб'єктивна | nnU-Net, Dice >0.90 |
| Оцінка щільності | Приблизна | HU-вимірювання за Misch |
| Позиціонування | Інтуїтивне | 3–5 варіантів + оптимізація |
| Прогноз успіху | Немає | AUC 0.81 на 5 років |
AI-моделювання скорочує час у 10–15 разів і додає об'єктивну оцінку. Економія бюджету при масштабуванні — до 80%.
Як ІІ прискорює сегментацію КЛКТ?
Технічні деталі навчання
Ми використовуємо nnU-Net з навчанням на 200+ розмічених КЛКТ, аугментація: випадковий поворот, фліп, деформація. Навчання на 4×A100 80GB займає 2–3 дні.Що входить у роботу
- Навчена модель сегментації КЛКТ під вашу техніку сканування
- REST API або класи Python для інтеграції
- Модуль автоматичних вимірювань та прогнозу виживаності
- Експорт позицій у STL для 3D-друку шаблонів
- Документація (model card, інструкція із запуску, приклади)
- Навчання команди (2–3 дні онлайн)
- Пост-релізна підтримка 3 місяці
Процес роботи
| Етап | Тривалість |
|---|---|
| Аналітика: збір даних та оцінка розмітки | 1–2 тижні |
| Проектування: адаптація nnU-Net та pipeline | 2–3 тижні |
| Реалізація: навчання та модулі | 4–6 тижнів |
| Тестування: валідація та порівняння | 1–2 тижні |
| Деплой: упаковка в ONNX Runtime | 1–2 тижні |
Терміни та вартість
Модуль сегментації КЛКТ + вимірювання: 10–14 тижнів. Повна система з позиціонуванням та прогнозом: 18–26 тижнів. Вартість розраховується індивідуально за обсягом даних та кількістю інтеграцій. Зв'яжіться з нами — оцінимо ваш проект за 2–3 дні. Отримайте консультацію щодо впровадження AI в стоматологію.
Чому обирають нас?
- 5+ років досвіду в медичному AI, 30+ проєктів із сегментації (КТ, МРТ, КЛКТ)
- Власні dataset-и для донавчання, включаючи складні випадки (металеві артефакти, аномалії)
- Повний цикл: від збору даних до продакшн-інференсу з latency p99 < 1 секунди на одному знімку
- Використовуємо відкриті стандарти (nnU-Net, ONNX, DICOM) — не прив'язуємо до вендора
Типові помилки при впровадженні (та як їх уникнути)
- Недостатня кількість навчальних даних: мінімум 50 розмічених КЛКТ, краще 200+.
- Ігнорування дрейфу домену: якщо використовуєте інший томограф — потрібен fine-tuning на 5–10 сканах.
- Спрощення валідації: не покладайтеся тільки на Dice, перевіряйте клінічно значущі відхилення (відстань до каналу).