medalphabetМедицинский алфавитMedical alphabet2078-56312949-2807ООО «Альфмед»10.33667/2078-5631-2026-10-73-81medalphabet-4996Research ArticleСтатьиСтруктурирование данных фотоизображений слизистой оболочки рта с разметкой патологических элементов для реализации обучения цифрового алгоритма машинного зренияStructuring of oral mucosa images with annotation of pathological lesions for machine vision algorithm traininghttps://orcid.org/0000-0002-1684-2822МаргарянЭ. Г.MargaryanE. G.

Эдита Гарниковна Маргарян, д. м. н., профессор

кафедра терапевтической стоматологии

Москва

Edita G. Margaryan, MD, Professor

Department of Therapeutic Dentistry

Moscow

edita@mail.ruhttps://orcid.org/0000-0003-4290-9362БледжянцГ. А.BledzhyantsG. A.

Геворг Арменакович Бледжянц, врач – сердечно-сосудистый хирург, старший научный сотрудник

Москва

Gevorg A. Bledzhyants, Cardiovascular surgeon, senior researcher

Moscow

blejyants@gmail.comhttps://orcid.org/0009-0002-6240-2403КуренковаЮ. С.KurenkovaYu. S.

Юлия Сергеевна Куренкова, аспирант

кафедра терапевтической стоматологии

Москва

Yuliya S. Kurenkova, Postgraduate student

Department of Therapeutic Dentistry

Moscow

lulya_girl98@mail.ruАбдельрахимМ. Т.AbdelrahimМ. Т.

Мари Тарековна Абдельрахим, аспирант

кафедра терапевтической стоматологии

Москва

Mari T. Abdelrahim, Postgraduate student

Department of Therapeutic Dentistry

Moscow

abdelrahimmari@gmail.comДевлетоваК. Д.DevletovaK. D.

Камила Дляверовна Девлетова, аспирант

кафедра терапевтической стоматологии

Москва

Kamila D. Devletova, Postgraduate student

Department of Therapeutic Dentistry

Moscow

kdmswork@mail.ruhttps://orcid.org/0009-0008-1482-8104ТаньХуэйпинTanHuiping

Тань Хуэйпин, начальник отдела

Академия Медицинских Наук провинции Хэйлунцзян; Российско-Китайский центр медицинских исследований; комплексный отдел

Харбин

Tan Huiping, Head of the Department

Heilongjiang Provincial Academy of Medical Sciences; Russian-Chinese Center for Medical Research; Integrated Department

Harbin

https://orcid.org/0000-0002-5087-3737ПанШуанPanShuang

Пан Шуан, профессор

Харбин

Pan Shuang, Professor

Harbin

panshuang@hrbmu.edu.cnХассанАрудж УльHassanArooj Ul

Арудж Уль Хассан, д. м. н., заведующий кафедрой, директор исследовательских проектов

кафедра коммунальной и профилактической стоматологии; Колледж медицины и стоматологии

Пенджаб; Лахор

Arooj Ul Hassan, MD, Head of the Department, Director of Research Projects

Department of Public and Preventive Dentistry; College of Medicine and Dentistry

Punjab; Lahore

arooj.ulhassan@ucd.uol.edu.pkФГАОУ ВО Первый МГМУ им. И.М. Сеченова Минздрава России (Сеченовский Университет)РоссияI.M. Sechenov First Moscow State Medical University (Sechenov University)Russian FederationНациональный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. БакулеваРоссияA.N. Bakulev National Medical Research Center of Cardiovascular SurgeryRussian FederationХарбинский медицинский университетКитайHarbin Medical UniversityChinaУниверситет ЛахораПакистанUniversity of LahorePakistan202602052026010Стоматология (2)7381Copyright © Маргарян Э.Г., Бледжянц Г.А., Куренкова Ю.С., Абдельрахим М.Т., Девлетова К.Д., Тань Х., Пан Ш., Хассан А.У., 20262026Маргарян Э.Г., Бледжянц Г.А., Куренкова Ю.С., Абдельрахим М.Т., Девлетова К.Д., Тань Х., Пан Ш., Хассан А.У.Margaryan E.G., Bledzhyants G.A., Kurenkova Y.S., Abdelrahim М.Т., Devletova K.D., Tan H., Pan S., Hassan A.U.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.med-alphabet.com/jour/article/view/4996

   Патологии слизистой оболочки рта (СОР) являются одной из наиболее сложных в диагностике групп заболеваний, отличающихся полиморфизмом проявлений. Разработка и внедрение цифрового алгоритма машинного зрения для диагностики заболеваний СОР является актуальным направлением для повышения качества и эффективности диагностики в современной стоматологии.

   Цель исследования

   Цель исследования: провести проспективный сбор и структурирование фотоизображений с разметкой элементов поражения слизистой оболочки рта в цифровую модель машинного зрения и обучение системы поддержки принятия врачебных решений.

   Материал и методы

   Материал и методы: объединенная база медицинских знаний (UMKB – United Medical Knowledge Base), система поддержки принятия врачебных решений (СППВР), пациенты с заболеваниями СОР и без них, оборудование для фотосъемки, проспективные фотоизображения патологии и нормы, разметка элементов поражения СОР.

   Результаты

   Результаты: в результате проведенной работы был продемонстрирован показатель эффективности системы по определению патологических элементов из фотоизображений – 84 % и показатель точности определения нозологии по перечню патологических признаков – от 90 до 95 %, что подтверждает возможность повышения эффективности диагностики заболеваний СОР с применением интеллектуальной системы поддержки принятия врачебных решений в клинической практике.

   Вывод

   Вывод: проведены проспективный сбор и структурирование фотоизображений с разметкой файлов по 15 категориям элементов поражения слизистой оболочки рта в цифровую модель машинного зрения и обучение системы поддержки принятия врачебных решений с эффективностью 84 % и точностью тестирования по определению нозологии 90–95 %.

   Oral mucosa pathologies (OMP) represent one of the most challenging groups of diseases to diagnose, characterized by polymorphic manifestations. The development and implementation of a digital machine vision algorithm for diagnosing oral mucosa diseases is a relevant direction for improving the quality and efficiency of diagnostics in modern dentistry.

   Aim

   Aim: to conduct a prospective collection and structuring of images with annotation of oral mucosa pathological lesions, integrate the dataset into a digital machine vision model, and train a clinical decision support system.

   Material and methods

   Material and methods: the study used: the United Medical Knowledge Base (UMKB), a Clinical Decision Support System (CDSS), patients with and without oral mucosa diseases, photography equipment, prospective images of pathological conditions and normal states, annotation of pathological lesions.

   Results

   Results: the conducted work demonstrated the system’s effectiveness in identifying pathological lesions from oral mucosa images at 84 %, and the accuracy of nosology identification based on the list of pathological signs ranged from 90 to 95 %. This confirms the potential to improve the diagnostic efficiency of oral mucosa diseases using an intelligent CDSS in clinical practice.

  Conclusions

  Conclusions: a prospective collection and structuring of images was carried out, with annotation of files across 15 categories of oral mucosa lesions into a digital machine vision model. This was followed by the additional training of a CDSS, achieving an efficiency of 84 % and a testing accuracy for determining nosology of 90–95 %.

искусственный интеллекттехнология машинного зрениясистема поддержки принятия врачебных решений (СППВР)заболевания слизистой оболочки ртадиагностика заболеваний слизистой оболочки ртаобъединенная база медицинских знанийartificial intelligencemachine learningclinical decision support system (CDSS)diseases of the oral mucosadiagnosis of diseases of the oral mucosaUnited Medical Knowledge Base (UMKB)ReferencesБердникова Е.И., Осипова В.А. Инновационные методы диагностики в комплексной оценке состояния слизистой оболочки полости рта // Инновационная наука. 2021. № 5.Berdnikova E., Osipova V. Innovative diagnostic methods in the complex assessment of the state of the oral mucosa // Innovation science. 2021. № 5.Искакова М.К., Заркумова А.Е., Нурмухамбетова Г.К. Удельный вес заболеваний слизистой оболочки полости рта среди часто встречающихся стоматологических заболеваний // Вестник КазНМУ. 2017. № 3.Iskakova M.K., Zarkumova A.E., Nurmukhambetova G.K. Structure of morbidity of the multiple structure of the mouth of the mut // Vestnik KazNMU. 2017. № 3.Шкарин В.В., Македонова Ю.А., Порошин А.В. Алгоритм оказания медицинской помощи пациентам с заболеваниями слизистой оболочки рта // Здоровье и образование в XXI веке. 2023. № 2.Shkarin V.V., Makedonova Yu.A., Poroshin A.V. Algorithm for providing medical care to patients with diseases of the oral mucosa. // Medical & pharmaceutical journal «Pulse». – 2023;25(1):49–53.Маргарян Э.Г., Бледжянц Г.А., Каджоян А.Г., Куренкова Ю.С., Абдельрахим М.T., Дeвлетова К.Д., Тань Хуэйпин, Пан Шуан, Астрид Тёрнер Эффективность диагностики болезней слизистой оболочки рта с использованием системы поддержки принятия врачебных решений. Медицинский алфавит. № 20 / 2025, Стоматология (3).Margaryan E.G., Bledzhyants G.A., Kadzhoian A.G., Kurenkova Yu.S., Abdelrakhim M.T., Dlyaverovna D.K., Tan H., Shuan P., Turner A. The effectiveness of diagnosing oral mucosal diseases using a clinical decision support system. Medical alphabet. 2025;(20):94–99. (In Russ.)Маргарян Э.Г., Куренкова Ю.С., Лалаян К.В., Абдельрахим М.Т., Каджоян А.Г., Селифанова Е.И., Будайчиева З.С., Степанов М.А., Бледжянц Г.А., Макеева М.К. Необходимость применения технологии машинного зрения при проведении лечебно-диагностического пособия в стоматологии // Медицинский алфавит. 2024;(18):116–121.Margaryan E.G., Kurenkova Yu.S., Lalayan K.V., Abdelrahim M.T., Kadzhoian A.G., Selifanova E.I., Budaichieva Z.S., Stepanov M.A., Bledzhyants G.A., Makeeva M.K. The necessity and demand of machine learning in treatment and diagnostics in dentistry. Medical alphabet. 2024;(18):121–126. (In Russ.)Arsiwala-Scheppach LT, Chaurasia A, Müller A, Krois J, Schwendicke F. Machine Learning in Dentistry : A Scoping Review. J Clin Med. 2023 Jan 25;12(3):937. doi: 10.3390/jcm12030937. PMID: 36769585; PMCID: PMC9918184.Arsiwala-Scheppach LT, Chaurasia A, Müller A, Krois J, Schwendicke F. Machine Learning in Dentistry : A Scoping Review. J Clin Med. 2023 Jan 25;12(3):937. doi: 10.3390/jcm12030937. PMID: 36769585; PMCID: PMC9918184.Kamath P, Kamath P, Saldanha SJR, Shetty TB, Rodrigues SJ, M M, Pai UY, Hegde PK, Bajantri P, Mukherjee S. A brief exploration of artificial intelligence in dental healthcare : a narrative review. F1000Res. 2024 Apr 8;13:37. doi: 10.12688/f1000research.140481.2. PMID: 40837849; PMCID: PMC12361878.Kamath P, Kamath P, Saldanha SJR, Shetty TB, Rodrigues SJ, M M, Pai UY, Hegde PK, Bajantri P, Mukherjee S. A brief exploration of artificial intelligence in dental healthcare : a narrative review. F1000Res. 2024 Apr 8;13:37. doi: 10.12688/f1000research.140481.2. PMID: 40837849; PMCID: PMC12361878.Mallineni SK, Sethi M, Punugoti D, Kotha SB, Alkhayal Z, Mubaraki S, Almotawah FN, Kotha SL, Sajja R, Nettam V, Thakare AA, Sakhamuri S. Artificial Intelligence in Dentistry : A Descriptive Review. Bioengineering (Basel). 2024 Dec 13;11(12):1267. doi: 10.3390/bioengineering11121267. PMID: 39768085; PMCID: PMC11673909.Mallineni SK, Sethi M, Punugoti D, Kotha SB, Alkhayal Z, Mubaraki S, Almotawah FN, Kotha SL, Sajja R, Nettam V, Thakare AA, Sakhamuri S. Artificial Intelligence in Dentistry : A Descriptive Review. Bioengineering (Basel). 2024 Dec 13;11(12):1267. doi: 10.3390/bioengineering11121267. PMID: 39768085; PMCID: PMC11673909.Radwan-Oczko M, Bandosz K, Rojek Z, Owczarek-Drabińska JE. Clinical Study of Oral Mucosal Lesions in the Elderly-Prevalence and Distribution. Int J Environ Res Public Health. 2022 Mar 1;19(5):2853. doi: 10.3390/ijerph19052853. PMID: 35270543; PMCID: PMC8910280.Radwan-Oczko M, Bandosz K, Rojek Z, Owczarek-Drabińska JE. Clinical Study of Oral Mucosal Lesions in the Elderly-Prevalence and Distribution. Int J Environ Res Public Health. 2022 Mar 1;19(5):2853. doi: 10.3390/ijerph19052853. PMID: 35270543; PMCID: PMC8910280.Surdu A, Budala DG, Luchian I, Foia LG, Botnariu GE, Scutariu MM. Using AI in Optimizing Oral and Dental Diagnoses - A Narrative Review. Diagnostics (Basel). 2024 Dec 13;14(24):2804. doi: 10.3390/diagnostics14242804. PMID: 39767164; PMCID: PMC11674583.Surdu A, Budala DG, Luchian I, Foia LG, Botnariu GE, Scutariu MM. Using AI in Optimizing Oral and Dental Diagnoses - A Narrative Review. Diagnostics (Basel). 2024 Dec 13;14(24):2804. doi: 10.3390/diagnostics14242804. PMID: 39767164; PMCID: PMC11674583.Tatano R, Berkels B, Ehrlich EE, Deserno TM, Fritz UB. Spatial agreement of demineralized areas in quantitative light-induced fluorescence images and digital photographs. Dentomaxillofac Radiol. 2018 Dec;47(8):20180099. doi: 10.1259/dmfr.20180099. Epub 2018 Jun 15. PMID: 29851354; PMCID: PMC6326398.Tatano R, Berkels B, Ehrlich EE, Deserno TM, Fritz UB. Spatial agreement of demineralized areas in quantitative light-induced fluorescence images and digital photographs. Dentomaxillofac Radiol. 2018 Dec;47(8):20180099. doi: 10.1259/dmfr.20180099. Epub 2018 Jun 15. PMID: 29851354; PMCID: PMC6326398.Yang EC, Vohra IS, Badaoui H, Schwarz RA, Cherry KD, Quang T, Jacob J, Lang A, Bass N, Rodriguez J, Williams MD, Vigneswaran N, Gillenwater AM, Richards-Kortum RR. Development of an integrated multimodal optical imaging system with real-time image analysis for the evaluation of oral premalignant lesions. J Biomed Opt. 2019 Feb;24(2):1–10. doi: 10.1117/1.JBO.24.2.025003. PMID: 30793567; PMCID: PMC6383051.Yang EC, Vohra IS, Badaoui H, Schwarz RA, Cherry KD, Quang T, Jacob J, Lang A, Bass N, Rodriguez J, Williams MD, Vigneswaran N, Gillenwater AM, Richards-Kortum RR. Development of an integrated multimodal optical imaging system with real-time image analysis for the evaluation of oral premalignant lesions. J Biomed Opt. 2019 Feb;24(2):1–10. doi: 10.1117/1.JBO.24.2.025003. PMID: 30793567; PMCID: PMC6383051.

The authors declare that there are no conflicts of interest present.