Определение оптимальной структуры нейронной сети при разработке программ для поддержки принятия решений в дентальной имплантации

Введение. В настоящее время медицина считается одной из стратегических и перспективных областей для эффективного внедрения искусственного интеллекта. Искусственный интеллект в стоматологии является методом создания второго обоснованного мнения, которое основано на математическом принятии решений и прогнозировании. Нейросетевые технологии применяются в таких областях как анализ рентгенограмм зубов, прогнозирование потребности в лечении полости рта у детей, классификация зубных отложений и планирование лечения для ортогнатической хирургии, вспомогательное диагностирования кариеса.
Цель работы – разработка оптимальной структуры нейронной сети для оценки риска осложнений при имплантационном лечении частичной и полной потери зубов.
Материал и методы исследования. Для эффективного подбора оптимальной топологии нейронной сети оценки риска осложнений при имплантационном лечении потери зубов был проведен ряд экспериментальных моделирований нейросетевых архитектур методом проб и ошибок. База данных представляла собой таблицу клинических случаев пациентов в количестве 1800. Для моделирования были использованы 1626 клинических случаев, которые были разделены на данные для обучения и тестирования в процентном соотношении 80 к 20. Моделирование проводилось с использованием высокоуровневого языка программирования Python 3.8.8. Все расчеты проводились на ПК с процессором Intel(R) Core (TM) i5-8500 с частотой 3,00 ГГц с 16 ГБ оперативной памяти и 64-битной операционной системой Windows 10.
Результаты исследования. В результате моделирования были получены графики точности распознавания, а также величины ошибки для каждой из разработанных топологий нейронных сетей. Для улучшения точности разработанных топологий нейронных сетей оценки риска осложнений при имплантационном лечении патологий челюстно-лицевой области было проведено статистическое исследование собранной базы данных для моделирования. Для исследования взаимосвязи между каждым параметром пациента и параметром «приживаемости имплантатов» был выбран метод параметрической статистики, представленный коэффициентом корреляции. В результате проведенного моделирования методом проб и ошибок было установлено что использование нейросетевой архитектуры № 7 без слоев пакетной нормализации (BatchNorm1d) позволяет добиться более быстрых результатов обучения с достаточно высокой точностью распознавания за меньшее количество эпох. Преобразование базы для моделирования и уменьшение размера входного сигнала позволило значительно повысить точность распознавания по сравнению с результатами первого моделирования различных нейросетевых систем распознавания успешности приживаемости имплантатов. Предложенная топология нейронной сети № 5 является наиболее оптимальной по точности распознавания успешности приживаемости имплантатов.

1. D.W. Kim, H. Kim, W. Nam et. al. «Machine learning to predict the occurrence of bisphosphonate-related osteonecrosis of the jaw associated with dental extraction: A preliminary report», Bone, vol. 116, p. 207–214, Nov. 2018, doi: 10.1016/J.BONE.2018.04.020.

2. Y.K. Chan, Y.F. Chen, T. Pham et. al. «Artificial Intelligence in Medical Applications», J Healthc Eng, 2018, July. 2018, doi: 10.1155/2018/4827875.

3. J.H. Lee, D.H. Kim, and S.N. Jeong. «Diagnosis of cystic lesions using panoramic and cone beam computed tomographic images based on deep learning neural network», Oral Dis, t. 26, vol. 1, p. 152–158, Jan. 2020, doi: 10.1111/ODI.13223.

4. Y. Wang et. al. «Developing Children’s Oral Health Assessment Toolkits Using Machine Learning Algorithm», JDR Clin Trans Res, t. 5, vol. 3, p. 233–243, Jul. 2020, doi: 10.1177/2380084419885612.

5. H. il Choi et. al. «Artificial Intelligent Model with Neural Network Machine Learning for the Diagnosis of Orthognathic Surgery», Journal of Craniofacial Surgery, t. 30, vol. 7, p. 1986–1989, Oct. 2019, doi: 10.1097/SCS.0000000000005650.

6. R. Mansour, A. Al-Marghilnai, and Z.A. Hagas, «Use of artificial intelligence techniques to determine dental caries : A systematic review», 2019.

7. F. Jiang et. al. «Artificial intelligence in healthcare: past, present and future», Stroke Vasc Neurol, t. 2, vol. 4, p. 230–243, Dec. 2017, doi: 10.1136/SVN-2017-000101.

8. S. Khanna. «Artificial intelligence: contemporary applications and future compass », Int Dent J, t. 60, vol. 4, p. 269–272, Aug. 2010, doi: 10.1922/IDJ_2422KHANNA04.