Система поддержки принятия врачебных решений по выбору конструкции дентального имплантата с использованием машинного обучения

Цель исследования. Актуальной задачей цифровой дентальной имплантации является выбор и проектирование конструкции параметризованного имплантата с учетом объема и качества костной ткани в зоне имплантации, плотности и строения кости, планируемой протезной конструкции и других факторов. Цель ис следования – разработка системы поддержки принятия врачебных решений с элементами искусственного интеллекта для выбора и проектирования конструкции параметризованного дентального имплантата.

Методы. В результате анализа особенностей установки имплантата и логики поддержки принятия решений в состав соответствующего программного комплекса были включены компоненты базы знаний и машинного обучения. Реализация базы знаний выполнена в виде компьютерной онтологии и содержит правила, выстроенные в типовой последовательности обработки данных. Технология искусственного интеллекта использована на этапе определения плотности трабекулярной кости и классификации по типу костной ткани путем анализа снимков конусно-лучевой компьютерной томографии пациента с помощью нейронной сети.

Результаты. В эксперименте в качестве исходных изображений были использованы снимки компьютерной томографии нижней челюсти с различным разрешением, размеченные предварительно по группам плотности костной ткани, по 30 снимков в каждой группе (всего 120 случаев). Наилучшие результаты показала модель остаточной нейронной сети ResNet 34. Модель достигла 0,875 точности на валидаци онной выборке и 0,75 точности на тестовой выборке при значении функции потерь около 0,72. Таким образом, можно сделать вывод о положительной возможности применения технологии машинного обучения.

Заключение. Основным научным результатом исследования является обобщение в рамках единого комплекса технологий визуализации технических решений совместно с базой знаний в виде компьютерной онтологии и модуля машинного обучения в соответствии с принципами персонализированной медицины. Предложенный гибридный подход, сочетающий экспертные правила с методами машинного обучения, позволяет объединить достоинства двух парадигм: формализованного клинического опыта и адаптивного выявления скрытых закономерностей

1. Алексеева М. Г., Зубов А. И., Новиков М. Ю. Искусственный интеллект в медицине // Международный научно-исследовательский журнал. 2022. № 7 (121). С. 10–13. https://doi.org/10.23670/IRJ.2022.121.7.038

2. Итоги внедрения искусственного интеллекта в здравоохранении России / В. В. Ваньков, О. Р. Артемова, О. Э. Карпов, А. В. Матвиенко, А. В. Гусев, И. М. Еникеев, Е. В. Костина // Врач и информационные технологии. 2024. № 3. С. 32-43. https://doi.org/10.25881/18110193_2024_3_32

3. Искусственный интеллект в медицине: обзор текущей ситуации и тенденции / Я. Г. Купатенко, А. К. Мирук, А. В. Ломоносова, А. А. Козлова // Cifra. Медикобиологические науки. 2024. № 2 (2). С.1-13. https://doi.org/10.60797/BMED.2024.2.4

4. Морозов Д. Ю., Омельяновский В. В., Федяева В. К. Искусственный интеллект в системе здравоохранения. Клинические рекомендации // Менеджер здравоохранения. 2025. № 9. С. 58-67. https://doi.org/10.21045/1811-0185-2025-9-58-67

5. Анализ мирового опыта в регулировании использования медицинских данных для целей создания систем искусственного интеллекта на основе машинного обучения / Д. Е. Шарова, А. А. Михайлова, А. В. Гусев, С. В. Гарбук, А. В. Владзимирский, Ю. А. Васильев // Врач и информационные технологии. 2022. № 4. С. 28–39. https://doi.org/10.25881/18110193_2022_4_28

6. Kukreja B., Kukreja P. Integration of Artificial Intelligence in dentistry: a systematic review of educational and clinical implications // Cureus. 2025. Vol. 17. https://doi.org/10.7759/cureus.79350

7. Персонализированная медицина: современное состояние и перспективы / И. И. Дедов, А. Н. Тюльпаков, В. П. Чехонин, В. П. Баклаушев, А. И. Арчаков, С. А. Мошковский // Вестник Российской академии медицинских наук. 2012. Т. 67, № 12. C. 4–12.

8. Bensmain W., Benlebna M., Serier B., Abbes B., Bouiadjra B. A. Parametric optimization of dental implants // Mechanics and Mechanical Engineering. 2018. Vol. 22. P. 10611076. https://doi.org/10.2478/mme-2018-0084

9. Rahmanivahid P., Heidari M. Design parameters of dental implants: a review // Revista Internacional de Métodos Numéricos para Cálculo y Diseño en Ingeniería. 2022. Vol. 38, N 1. Р. 1-10. https://doi.org/10.23967/j.rimni.2022.03.002

10. Онтологический комплекс представления знаний для реабилитации травматолого-ортопедических пациентов / В. В. Грибова, Е. А. Шалфеева, Д. Б. Окунь, О. Н. Шевченко // Онтология проектирования. 2025. Т. 15, № 4(58). С. 509–522. https://doi.org/10.18287/2223-9537-2025-15-4-509-522

11. Vasanthapriyan S. An ontological approach for knowledge representation of dental extraction forceps // Artificial Intelligence: Second International Conference. Singapore: Springer, 2019. P. 147-160. https://doi.org/10.1007/978-981-13-9129-3_11

12. Formalization of a knowledge base applied to dental implant / V. Biasi, M. Rudek, A. Szejka, J. O. Canciglieri // Proceedings of the 8th International Conference on Information Society and Technology (ICIST 2018). Serbia: Kopaonik, 2018. Р. 1-6.

13. A conceptual knowledge-link model for supporting dental implant process / A. Szejka, O. Canciglieri Junior, M. Rudek, H. Panetto // Advanced Materials Research. 2014. Vol. 945-949. P. 3424-3429. https://doi.org/10.4028/www.scientific.net/AMR.945949.3424

14. An ontology-driven, case-based clinical decision support model for removable partial denture design / Q. Chen, J. Wu, S. Li, P. Lyu, Y. Wang, M. Li // Scientific Reports. 2016. Vol. 6. P. 27855. https://doi.org/10.1038/srep27855

15. Bida F., Naser H. Diagnostic of osteoporosis using backpropagation neural networks // Journal of Techniques. 2025. N 7. P. 10–20. https://doi.org/10.51173/jt.v7i2.2597

16. Optimized Hounsfield units transformation for explainable temporal stage-specific ischemic stroke classification in CT imaging / R. Qasrawi, S. Thwib, G. Issa, I. Qdaih, R. Abu Ghoush, H. Arjah // J. Imaging. 2025. N 11. P. 423. https://doi.org/10.3390/jimaging11120423

17. An automatic deep learning-based bone mineral density measurement method using X-ray images of children / H. Zhao, Yi Zhang, W. Zhang, L. Wang, K. Li, J. Geng, X. Cheng, T. Wu // Quantitative Imaging in Medicine and Surgery. 2025. N 15. P. 24812493. https://doi.org/10.21037/qims-24-283

18. Интеллектуальная диагностика межпозвонковых грыж поясничного отдела с телемедицинским доступом / А. В. Епифанов, Д. С. Жейков, А. В. Иващенко, Г. П. Герасимов, В. В. Авсиевич, А. Е. Пономарев, В. В. Панарин, А. В. Авсиевич, А. В. Колсанов // Менеджер здравоохранения. 2025. № 10. С. 90–96. https://doi.org/10.21045/1811-0185-2025-10-90-96

19. U-Net-based deep learning architecture for automated CBCT segmentation of the mandibular canal in dental implant treatment planning: A systematic review and metaanalysis / B. Palani, M. Rathee, S. Tomar, S. Singla // The Journal of Prosthetic Dentistry. 2025. N 25. Р. 00955-2. https://doi.org/10.1016/j.prosdent.2025.12.003

20. A pilot study of a deep learning approach to detect marginal bone loss around implants / M. Liu, S. Wang, H. Chen [et al.] // BMC Oral Health. 2022. N 22. Р. 11. https://doi.org/10.1186/s12903-021-02035-8

21. Peri-implant bone loss measurement using a region-based convolutional neural network on dental periapical radiographs / J.-Y. Cha, H.-I. Yoon, I.-S. Yeo, K.-H. Huh, J.-S. Han // Journal of Clinical Medicine. 2021. N 10. Р. 1009. https://doi.org/10.3390/jcm10051009

22. Shafiq M., Gu Z. Deep residual learning for Image Recognition: A Survey // Applied Sciences. 2022. N 12(18). Р. 8972. https://doi.org/10.3390/app12188972