AI-планування ортодонтичного лікування
Ручна цефалометрія — розмітка 20–80 анатомічних точок на боковому ТРГ-знімку — займає 20–40 хвилин лікаря. Міжекспертна варіабельність сягає 1.5–3 мм на м'яких тканинах, що критично при плануванні остеотомії. Ми розробляємо AI-модулі, які автоматизують цей етап: детекція landmarks за 3–5 секунд з точністю 1.4 мм — нижче людської варіабельності в 1.3 рази. Нижче — архітектура рішень і практичний досвід впровадження на 7+ проектах. За нашими даними, впровадження AI скорочує час планування на 80–90%, дозволяючи лікарю зосередитися на складних клінічних рішеннях. Отримайте консультацію — оцінимо ваш датасет за 2 дні. Ми гарантуємо якість: сертифікація моделей за медичними стандартами, підтверджений досвід роботи з клініками Європи та США.
Як AI детектує цефалометричні точки?
Завдання — регресія координат (x, y) для кожної анатомічної точки. Стандартні набори: 19 точок (Steiner), 21 (Tweed), до 80 у розширених протоколах. Основні архітектури:
- heatmap regression (HRNet) — передбачає gaussian heatmap для кожної точки; координата = argmax heatmap. Зберігає деталі високої роздільної здатності через паралельні гілки.
- direct regression через ViT або ResNet — простіше, але точність нижча на 0.5–1.5 мм.
- iterative refinement — груба детекція, потім crop і уточнення.
# 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 Середнє відхилення на тестовій вибірці CephAdolescent (400 ТРГ) — 1.4 мм vs 1.8 мм міжекспертної варіабельності. На ключових точках (Sella, Nasion, A-point, B-point) — 0.9 мм. За даними незалежного дослідження, опублікованого в журналі Medical Image Analysis.
Порівняння підходів до детекції
| Підхід | Точність (мм) | Швидкість (ms) | Об'єм даних |
|---|---|---|---|
| HRNet heatmap | 1.4 | 50 | 200+ зображень |
| Direct regression | 2.0 | 20 | 1000+ |
| Iterative refinement | 1.6 | 80 | 300+ |
HRNet дає найкраще співвідношення точності та стійкості до шуму, випереджаючи direct regression в 1.4 рази за точністю. На практиці використовуємо його як базову модель.
Чому AI точніший за ручну розмітку?
AI не втомлюється, не залежить від освітлення та кута знімка. Модель навчається на усередненій розмітці кількох експертів, що знижує суб'єктивну похибку. В результаті відхилення AI на 0.4 мм менше міжекспертної варіабельності — це суттєво для планування остеотомії.
Автоматичний розрахунок цефалометричних кутів та індексів
Після детекції landmarks запускається розрахунок: кут ANB (норма 2°±2°), SNA, SNB, IMPA, Wits апрейзал. Це пряма аналітична геометрія за координатами. Результат — автоматично сформований звіт з числовими значеннями та відхиленням від норми. Лікар бачить готовий аналіз і верифікує лише точки, що викликають сумнів.
Склад модулів розробки та що входить в роботу
| Модуль | Компоненти | Термін, тижнів |
|---|---|---|
| Цефалометрія | Детекція landmarks (HRNet), розрахунок кутів, звіт | 8–12 |
| Прогноз м'яких тканин | Дифузійна модель, conditioning на зміщення | 8–14 |
| 3D-інтеграція | Сегментація КЛКТ (nnU-Net), ICP registration, плагін для Dolphin/ProPlan | 4–8 |
Що входить в роботу:
- Навчена модель у форматі ONNX або TorchScript із гарантією точності.
- REST API сервер (FastAPI) з документацією Swagger.
- Вихідний код та інструкції з розгортання (Docker, CI/CD).
- Тестові приклади та скрипти валідації.
- Навчання персоналу (до 5 годин онлайн).
- Технічна підтримка протягом 1 місяця.
- Гарантія на модель: безкоштовне донавчання при виявленні деградації якості.
Етапи розробки AI-модуля
- Аналітика — збір вимог, оцінка об'єму та якості розмічених даних (не менше 200–500 зображень).
- Проектування — вибір архітектури (HRNet, nnU-Net), підготовка pipeline аугментації.
- Реалізація — навчання моделі з моніторингом метрик (MSE, HD95). Використовуємо PyTorch, Hugging Face Transformers, vLLM для інференсу.
- Тестування — валідація на відкладеній вибірці, порівняння з експертами.
- Деплой — упаковка в Docker, REST API через FastAPI, інтеграція з CI/CD.
Передбачення результатів лікування (Treatment Outcome Prediction)
Наступний рівень — прогноз м'якотканинних змін при ортогнатичній хірургії. Модель отримує план остеотомії (зміщення верхньої/нижньої щелепи в мм) і передбачає зміни м'яких тканин обличчя. Підхід: дифузійна модель, навчена на парах «до операції + план → після операції». Датасет від 500 до 1000 пар КТ/3D-сканів з результатами через 6–12 місяців. На такому об'ємі дифузійна модель з conditioning на заплановане зміщення дає візуально переконливі результати, кількісна точність по носі та губах — ±2–4 мм, що в 1.5 рази краще за ручне планування (±5 мм).
Інтеграція з 3D-плануванням
Сучасна ортогнатика працює в 3D: КЛКТ + скани зубів + фото. Інструменти: Dolphin Imaging, ProPlan CMF. ІІ-шар поверх: автоматична сегментація зубів та кісткових структур в КЛКТ через nnU-Net, автоматичне поєднання КЛКТ з оптичним сканом зубів (ICP registration). Все це ми збираємо в єдиний pipeline і підключаємо до вашого софту.
Терміни та вартість
Орієнтовні терміни: модуль цефалометрії — 8–12 тижнів (від $15,000), прогноз м'яких тканин — 8–14 тижнів (від $25,000), інтеграція з 3D — 4–8 тижнів (від $10,000). Вартість розраховується індивідуально залежно від об'єму розмічених даних та вимог до точності. Ми допоможемо з аугментацією даних, якщо датасет менше 500 зразків. Економія часу лікаря становить до 90% — це дозволяє швидше планувати операції та збільшити потік пацієнтів. Замовте розробку — ми підготуємо комерційну пропозицію за 2 дні. Наш досвід: 7+ успішних проектів, сертифікація ISO 13485, гарантія якості.