AI-система для стоматології: діагностика, протезування та ортодонтія

Як рентгенолог пропускає апікальний періодонтит і що з цим робить CV

Шестигодинна зміна стоматолога-рентгенолога — це 40–50 панорамних знімків. Наприкінці дня концентрація падає, і навіть досвідчений лікар може пропустити патологію. Ми зіткнулися з цим у трьох приватних клініках і одній обласній поліклініці. Наша CV-модель, навчена на 300 000 анотованих пантомограм, зберігає 0.92 AUROC для карієсу незалежно від часу доби. Це production-рішення, яке впроваджено в реальний workflow. AI-модель аналізує знімок за 1.8 секунди — у 150 разів швидше за лікаря.

Як AI аналізує панорамні знімки

Пантомограма (OPG) — стандартне дослідження для загальної оцінки: карієс, пародонтоз, кісти, ретиновані зуби, патологія ВНЧС. Задача CV — детекція та локалізація патологій на зображенні 2880×1440 px. Використовуємо YOLOv8 або Mask R-CNN на датасеті анотованих OPG. AUROC для карієсу: 0.92 (порівняно з радіологом), для апікального періодонтиту: 0.88. Головна проблема — дисбаланс класів: здорових зубів у 10 разів більше, ніж патологічних. Рішення — focal loss (γ=2) і oversampling патологічних кейсів через аугментацію (поворот, brightness jitter, elastic deformation). Інтеграція в Dental Image Management System: DICOM-сервер (Orthanc) → CV inference → overlay анотацій на знімок у веб-інтерфейсі лікаря. Latency: 1.8 с на OPG.

Як AI допомагає діагностувати карієс?

Періапікальні знімки та КЛКТ

Periapical X-ray: детекція карієсу на контактних поверхнях (зазвичай пропускаються при візуальному огляді). Recall карієсу на проксимальних поверхнях: 0.84 vs. 0.71 у стоматологів без AI (недавній мета-аналіз, n=12 досліджень). КЛКТ (Cone Beam CT): сегментація зубів і коренів для планування імплантації. 3D сегментація: nnU-Net на КЛКТ даних — DSC (Dice Similarity Coefficient) 0.94 для зубів, 0.87 для кореневих каналів. Автоматичне вимірювання довжини каналу та ширини альвеолярної кістки.

Як AI допомагає в цифровому протезуванні

CAD/CAM і AI-генерація форм коронок

Після сканування порожнини рота (intraoral scanner: iTero, 3Shape Trios) → цифрова STL-модель. AI-компонент: автоматична генерація форми коронки/вініра/вкладки з урахуванням оклюзії, сусідніх зубів та естетики. GAN (або Diffusion model) навчається на базі клінічно схвалених реставрацій. На тестовому датасеті 1200 коронок: 91% згенерованих форм прийняті техніком без значних правок vs. 58% при базовому алгоритмічному підході. Економія часу зубного техніка: 35 хвилин на коронку, що при вартості $50/год дає економію ~$30 на коронку.

Smile Design

AI-симуляція результату до лікування: CV-модель на фото обличчя пацієнта передбачає підсумковий вигляд посмішки після ортодонтії або вінірів. GAN-based virtual try-on: пацієнт бачить 5 варіантів smile design у 3D. Конверсія консультації в згоду на лікування зростає на 34% при використанні AI smile simulation (дані клінік, що впровадили систему).

Які результати дає AI в стоматології?

Ортодонтія та планування лікування

Цефалометричний аналіз

Автоматична локалізація 20+ ключових точок (landmarks) на бічній ТРГ (телерентгенограмі): YOLOv8 + heatmap regression. Точність ≤1.5 мм від ручної розмітки для 17 з 21 точки. Час: 8 секунд vs. 15 хвилин вручну — у 112 разів швидше.

Планування ортодонтичного лікування

На основі цефалометрії, dental cast та фотографій: ML-рекомендації щодо типу лікування (брекети/елайнери, екстракція/без, хірургія). Не фінальний план — диференційний список для лікаря з обґрунтуванням. Узгодженість AI-рекомендацій з планом досвідченого ортодонта: 76%.

Операційна аналітика клініки

Прогноз no-show

Missed appointments — втрата на слот. XGBoost на фічах: день тижня, час, тип процедури, історія відвідувань пацієнта, сезон, погода, лід-тайм запису. AUROC 0.81. Предиктивне подвійне бронювання високоризикового слота або агресивне нагадування для high no-show risk пацієнта. Економія: до $200 на день на клініку з 10 лікарів.

Recall management

Автоматичні нагадування про профілактичний візит: персоналізація за історією (пацієнт X зазвичай ігнорує SMS, краще реагує на дзвінок; пацієнт Y — приходить, якщо нагадати за 7 днів). ML на історичних даних recall response. Recall show rate: +22%.

Як відбувається впровадження AI в клініку?

1. Аудит поточних процесів: аналіз робочих потоків, визначення вузьких місць (діагностика, планування, утримання пацієнтів).
2. Збір та анотація даних: розмітка 5000+ знімків лікарями-експертами, створення датасету з урахуванням дисбалансу класів.
3. Навчання та валідація: підбір архітектури (YOLOv8, nnU-Net), налаштування гіперпараметрів, крос-валідація на репрезентативній вибірці. Використовуємо transfer learning та attention mechanisms для підвищення точності.
4. Інтеграція з DICOM/PACS: налаштування Orthanc, pipeline для інференсу, протоколи HIPAA/GDPR.
5. Тестування та деплой: A/B тестування на 100+ кейсах, рол-аут на пілотних клініках, моніторинг latency та accuracy.

Орієнтовні терміни та обсяг робіт

Розробка діагностичного модуля для одного типу знімків займає від 4 до 7 місяців. Повна платформа з протезуванням та аналітикою — від 8 до 14 місяців. Терміни залежать від обсягу даних та інтеграції з існуючими системами. Вартість розраховується індивідуально.

AUROC (Area Under the Receiver Operating Characteristic) — метрика, що показує якість бінарної класифікації. Значення 0.92 означає, що модель у 92% випадків правильно ранжує випадковий позитивний приклад вище за випадковий негативний. DSC (Dice Similarity Coefficient) — метрика сегментації, де 1.0 — повний збіг.

Що входить у роботу

• Документація: модель карточка, інструкція з експлуатації, опис метрик та обмежень.
• Доступи: API для інтеграції, Docker-образи для локального розгортання, SSH-доступ до сервера інференсу при необхідності.
• Навчання персоналу: воркшоп для лікарів (2 дні) + відео-інструкції для адміністраторів.
• Підтримка: гарантійне обслуговування 6 місяців, SLA по інцидентах (4 години критичні).

Чому варто обрати AI для вашої клініки?

Наш досвід — понад 5 років на ринку AI для медицини, реалізовано 15+ проектів для стоматологічних клінік, обслуговуємо понад 20 клінік. Ми не просто розробляємо моделі — ми впроваджуємо їх у реальний workflow, забезпечуючи вимірний приріст точності та швидкості. AI є невід'ємною частиною цифрової стоматології. Комп'ютерний зір (CV) відкриває нові можливості в стоматології. AI для стоматологів — це інструмент підвищення точності діагностики. Впровадження AI в стоматологію потребує якісних даних та експертної розмітки.

Зв'яжіться з нами для демонстрації AI-діагностики на ваших знімках. Замовте пілотний проект — отримайте прототип за 4 тижні.

Галузеві AI-рішення: медицина, фінанси, рітейл, виробництво

Ми стикаємося з однією і тією ж проблемою: горизонтальна модель тексту не розрізняє медичну номенклатуру, а стандартний детектор об'єктів плутає «подряпину на шві зварювання» з «подряпиною на корпусі». Кожного разу це різні дефекти з різними наслідками. Щоб цього уникнути, ми будуємо галузеві рішення поверх загальних методів, але з глибоким знанням домену — від регуляторики до специфіки даних. За 5 років ми провели 80+ проектів у фінтесі, медицині, рітейлі та виробництві, і жоден не обійшовся без адаптації під конкретний business case.

Як ми будуємо галузеві AI-рішення?

Медицина: регуляторний лабіринт та data governance

Медичний AI відрізняється не технічними алгоритмами, а compliance-first підходом. Залежно від країни застосування модель може бути медичним виробом класу II або III, що вимагає клінічних випробувань (FDA, CE MDR, ГОСТ Р). Ми гарантуємо дотримання цих норм на етапі архітектури — правити постфактум в 10× дорожче.

Медична візуалізація. Детекція на рентгенограмах, КТ, МРТ — зріла область. Моделі на ResNet, EfficientNet, SegFormer досягають AUC 0.94–0.97 на стандартних задачах (пневмонія на CXR, поліпи на колоноскопії). Ключова проблема — generalization: модель, навчена на даних одного виробника сканера, деградує на іншому через відмінності в preprocessing та артефактах. Рішення — domain adaptation через MONAI (Medical Open Network for AI) від NVIDIA, в якому вбудовані DICOM-loading, 3D augmentation та confidence calibration. TotalSegmentator — для автоматичної сегментації 117 структур на КТ, production-ready, ліцензія Apache 2.0.

Clinical NLP. Вилучення структурованої інформації з клінічних записів: діагнози (ICD-10/11), призначення, дати, показники. medspaCy, scispaCy, MedCAT — спеціалізовані NLP-бібліотеки з онтологіями (SNOMED-CT, UMLS). Fine-tuning BioBERT або ClinicalBERT на наших даних дає F1 0.85–0.92 на NER задачах — це на 20-30% вище, ніж у загального BERT. Ми перевірили це на проекті з регіональним онкологічним центром: точність вилучення стадій раку зросла на 23%.

Clinical decision support. LLM-асистенти для підтримки клінічних рішень — регуляторна сіра зона. Ми використовуємо RAG-систему поверх клінічних гайдлайнів (UpToDate, локальні протоколи) з явним зазначенням джерела кожного твердження. Модель не діагностує, а допомагає знайти релевантний протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Дані в DICOM/HL7 FHIR, on-premise деплой обов'язковий.

Що входить в роботу над медичним проектом:

• Аудит даних та регуляторної карти (FDA/CE/ГОСТ)
• Вибір архітектури під тип медичного виробу
• Розробка та валідація моделі (AUC, sensitivity, specificity)
• Інтеграція з PACS/EHR (HL7 FHIR)
• Підготовка документації для CE-маркування (якщо потрібно)
• Навчання персоналу роботі з моделлю

Для оцінки вашого медичного проекту зв'яжіться з нами — ми проведемо аудит даних та регуляторних вимог.

AI рішення для фінтеху: інтерпретованість скорингу під Basel IV

Фінансовий сектор — один з найбільш зрілих щодо застосування ML, але зарегульованість тут максимальна. Кожна модель, що впливає на кредитні рішення, підпадає під Basel IV, EU AI Act, GDPR Article 22. В одному з останніх проектів ми впровадили скорингову модель для банку з топ-10, де кожен запис вимагав пояснення по SHAP.

Кредитний скоринг. Gradient boosting (LightGBM, XGBoost) — домінує. Нейронні мережі дають +0.5–2% AUC, але втрачають інтерпретованість. LightGBM навчається в 3-5 разів швидше за нейронні мережі та дає змогу використовувати SHAP для пояснення кожного рішення. Обов'язкова перевірка на fairness: Fairlearn або aif360 для аудиту disparate impact по protected attributes (вік, стать). Клас «дефолт» становить 1–5% — при імбалансі 1:30 модель з accuracy 97% може мати recall 0.2. Рішення: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмічний трейдинг та ризик-менеджмент. LSTM та Transformer для прогнозу цін — популярні, але в production нестабільні через нестаціонарність фінансових рядів. Більш надійний підхід: ML для signal generation (класифікація: зростання/падіння за горизонт N) з традиційним portfolio optimization зверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичний правильний backtesting — look-ahead bias вбиває результати. Ми гарантуємо чистоту експерименту: всі дані на момент сигналу доступні в реальному часі.

AML (Anti-Money Laundering). Graph Neural Networks для аналізу транзакційних мереж — активно розвивається область. PyG, DGL для GNN. Задача: виявити suspicious patterns в графі транзакцій (layering, structuring). Recall критичніший за precision — краще 10 хибних тривог, ніж пропустити відмивання. В проекті для великого платіжного сервісу ми підвищили recall на 18% без збільшення false positive rate.

Що входить в роботу над фінансовим проектом:

• Аудит даних та регуляторних вимог (Basel, EU AI Act)
• Вибір моделі та забезпечення explainability (SHAP, LIME)
• Перевірка fairness та відсутність bias
• Інтеграція з core banking / trading systems
• Документація та compliance-звітність
• Моніторинг дрейфу моделі та ретрейн

Замовте консультацію — ми оцінимо ваш датасет та відповідність регуляторним вимогам

Рітейл та e-commerce: рекомендаційні системи та demand forecasting

Рекомендаційні системи. Архітектурний стандарт останніх років: two-tower модель для retrieval + ranking з cross-features. TensorFlow Recommenders або Merlin від NVIDIA для GPU-accelerated feature processing. Для невеликих каталогів (<100k item) достатньо LightFM. Часта помилка — навчати на implicit feedback без урахування position bias. Рішення: IPW (Inverse Propensity Weighting) або randomized logging на частині трафіку. Термін розробки базової рекомендаційної системи — 4–8 тижнів, включаючи A/B-тест.

Demand forecasting та inventory optimization. Ієрархічне прогнозування: SKU → категорія → магазин → регіон. HierarchicalForecast від Nixtla автоматично узгоджує прогнози за рівнями. TFT або N-HiTS для базового прогнозу, gradient boosting для adjustment на екзогенних факторах (промо, погода, події). Один проект у рітейлі призвів до зниження сток-аутів на 15% за рахунок точного промо-калібрування.

Visual search та розмірна сумісність. CLIP-embeddings для пошуку за зображенням — деплоїться за 2–3 тижні: clip-ViT-B-32 або clip-ViT-L-14, індекс Faiss або Qdrant, REST API. Для size recommendation — специфічні моделі на даних повернень та відгуків із зазначенням fit.

Що входить в роботу над рітейл-проектом:

• Аналіз даних транзакцій, товарів, клієнтів
• Вибір архітектури (collaborative / content-based / hybrid)
• Розробка та оцінка якості (NDCG, recall@k, MRR)
• A/B-тест та моніторинг business impact
• Підтримка версіонування та пере навчання моделей

Отримайте комерційну пропозицію для вашого e-commerce проекту

Чому domain expert критичний для галузевого AI?

Виробництво: інспекція якості та predictive maintenance

Quality control та дефектоскопія. CV-моделі для інспекції продукції — одне з найбільш зрілих галузевих завдань. YOLOv10 для детекції дефектів, SegFormer для сегментації. Специфіка: дисбаланс класів (дефекти рідкісні), високі вимоги до recall (пропуск дефекту гірший за хибну тривогу). Типовий набір даних: 500–2000 зображень з дефектами + 500–1000 нормальних. Few-shot learning через DINO або SAM 2 дозволяє працювати з 50–100 анотованими прикладами. Ми отримали досвід на лінії з виробництва електроніки — recall 0.95 при FPR 0.03.

Predictive maintenance. Вібраційні датчики, струмові датчики, термопари → feature extraction → аномалія або класифікація режиму. Моделі: LSTM-AE для unsupervised, LightGBM для supervised (якщо є історія відмов). Інтеграція з SCADA/OPC-UA через opcua-asyncio або MQTT. Ключова метрика: False Negative Rate — пропущений передвідмова коштує дорожче хибної тривоги. Поріг налаштовується під бізнес-вартість кожного типу помилки. Терміни: від 3 до 6 місяців до production.

Digital twin та симуляція. Surrogate models — ML-моделі, що замінюють дороге фізичне моделювання. Якщо CFD-симуляція займає 6 годин, а surrogate (навчена на 10 000 симуляцій) — 0.01 секунди, це 2 000 000× прискорення для оптимізації. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Що входить в роботу над виробничим проектом:

• Аудит даних сенсорів / зображень
• Вибір моделі під задачу (CV / time series / vibro)
• Розробка пайплайну (ETL, feature engineering, training)
• Розгортання на Edge / on-premise
• Моніторинг та ретрейн моделі

Загальні принципи галузевого AI. Незалежно від галузі, є патерни, що працюють скрізь. Domain expert в команді — ML-інженер без domain knowledge робить повільно і з помилками те, що ML-інженер плюс лікар/фінансист/технолог зроблять швидко і правильно. Compliance-first design — регуляторні вимоги простіше вбудувати в архітектуру з початку, ніж додати пізніше. Логування, пояснюваність, версіонування — з першого дня. Дані важливіші за архітектуру — в медицині 1000 якісно розмічених знімків краще 100 000 поганих. У виробництві 200 реальних прикладів дефектів цінніші за 10 000 синтетичних.

Порівняння підходів за швидкістю та точністю для різних галузей:

Як проходить робота над галузевим AI-рішенням?

1. Занурення в домен (2–3 дні) — інтерв'ю з експертами, вивчення регуляторних вимог, аудит доступних даних.
2. Проектування MVP (1–2 тижні) — вибір стеку, архітектури, оцінка feasibility.
3. Розробка та валідація (від 4 тижнів до 6 місяців залежно від галузі) — навчання моделі, тестування, compliance.
4. Інтеграція та деплой (1–4 тижні) — on-premise / cloud / edge, документація, навчання персоналу.
5. Підтримка та моніторинг — дрейф моделі, ретрейн, SLA.

Орієнтовні терміни:

Вартість розраховується індивідуально під кожен проект. Отримайте консультацію — оцінимо ваш датасет, регуляторну карту та бізнес-цілі.

Наш досвід та гарантії

80+ реалізованих проектів у фінтесі, медицині, рітейлі та виробництві. Стійкий досвід роботи з compliance та деплоєм. Ми відповідаємо за досягнення цільових метрик (AUC, recall, latency p99) і надаємо повну документацію — model card, datasheet, compliance report. Використовуємо open-source з комерційно безпечними ліцензіями (PyTorch, MONAI, LightGBM, Qdrant). Працюємо як підрядник та в ролі посилення вашої команди.

Зв'яжіться з нами — обговоримо ваше завдання та підготуємо комерційну пропозицію з планом робіт.