Структурирование данных фотоизображений слизистой оболочки рта с разметкой патологических элементов для реализации обучения цифрового алгоритма машинного зрения

   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: 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: 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: 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: 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 %.

1. Бердникова Е.И., Осипова В.А. Инновационные методы диагностики в комплексной оценке состояния слизистой оболочки полости рта // Инновационная наука. 2021. № 5.

2. 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.

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.

4. 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).

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.