ESPOO/HELSINKI/TAMPERE, Finsko: Studie ukázaly, že umělá inteligence dokáže rozpoznat v klinických obrazových datech strukturální vzory. Pokud však jde o dentální a maxilofaciální radiologii, využilo umělou inteligenci k lokalizaci mandibulárních kanálů pouze několik studií. Znalost jejich přesné polohy je přitom nezbytným předpokladem pro plánování dentálních implantátů. Až dosud museli zubní lékaři využívat k lokalizaci mandibulárních kanálů rentgenové snímky, což představuje poměrně složitý a časově náročný proces. Nedávná studie z Finska testovala pro tento účel model založený na umělé inteligenci a zjistila, že umožňuje rychlou a přesnou lokalizaci mandibulárních kanálů na rentgenových 3D obrazových dat.
Lokalizaci kanálu na obrazových datech CBCT komplikují anatomické rozdíly v průběhu a tvaru kanálu, které jsou individuální a závisí např. i na etnické příslušnosti. Aby se předešlo kompresi nebo jiným chirurgickým komplikacím, doporučuje se zachovávat bezpečný odstup apikální části implantátu 2 mm nad mandibulárním kanálem. Přesná znalost polohy kanálu je důležitá i pro různé další chirurgické zákroky v ústní a čelistní dutině, jako jsou čelistní chirurgie nebo extrakce třetích molárů.
Vědci z Aalto University v Espoo, ze společnosti Planmeca a Finského centra pro umělou inteligenci (FCAI) pomocí tzv. hlubokého učení (Deep Learning) naučili umělou inteligenci rozpoznávat 3D obrazová data získaná pomocí CBCT. Databáze se skládala z dat z pěti různých CBCT systémů od čtyř výrobců a skupinu pacientů tvořila dvě různá etnika – 869 finských pacientů (79 %) a 234 thajských pacientů (21 %).
Výkonnost hlubokého učení byla klinicky vyhodnocena porovnáním jeho výsledků s výsledky čtyř zkušených stomatologických a maxilofaciálních radiologů. Model dokázal přesně identifikovat mandibulární kanály a celkově dosahoval lepších výsledků než radiologové. Kromě toho vykazoval slibnou univerzálnost, pokud jde o nové CBCT systémy i etnické skupiny.
„Když se neuronové síti dodá obrovské množství dat a je v ní vyznačena poloha mandibulárního kanálu, naučí se své vlastní vnitřní parametry optimalizovat. Neuronová síť, která je výsledkem tohoto učení, pak najde na základě jednotlivých vstupních 3D dat mandibulární kanál rychle,“ uvedl v tiskové zprávě spoluautor Vesa Varjonen, viceprezident pro výzkum a technologie u výrobce stomatologického vybavení Planmeca, sídlícího v Helsinkách.
„Při klinickém hodnocení prošli odborníci výsledky vytvořené modelem a zjistili, že v 96 % případů jsou z klinického hlediska plně použitelné. Jsme si naprosto jisti, že model funguje dobře,“ okomentoval výsledky spoluautor Jaakko Sahlsten, doktorand na Aalto University.
„Spolupráce vyplynula z potřeb odborníků vykonávajících klinickou praxi a z hledání způsobů, jak napomoci jejich každodenní práci. Využitím umělé inteligence při plánování ošetření pacientů lze ušetřit spoustu času,“ řekl Varjonen.
„Univerzitní nemocnice v Tampere nám poskytla rozsáhlé a všestranné klinické materiály získané pomocí několika 3D zobrazovacích zařízení. Data byla náhodně rozdělena a část z nich byla použita pro učení neuronových sítí a část byla vyčleněna pro účely testování a ověřování navržené metody,“ řekl Sahlsten.
Společnost Planmeca zařadí model neuronové sítě do svého portfolia zobrazovacích technologií
Pro společnost Planmeca, finskou rodinnou firmu a jednoho z předních světových výrobců zařízení v oblasti zdravotnické techniky, znamená spolupráce s FCAI a Univerzitní nemocnicí v Tampere významný nový obchodní potenciál.
„Digitalizace a umělá inteligence využívané v zobrazovacích zařízeních jsou pro nás důležité. Model neuronové sítě vyvinutý v rámci tohoto výzkumu začleníme do našeho zobrazovacího softwaru. Zlepší se tak použitelnost a výkonnost našich zařízení,“ řekl Varjonen.
Model pro ortognátní chirurgii
V rámci společného výzkumného projektu byl zároveň vyvinut model neuronové sítě pro ortognátní chirurgii. „Model pomáhá identifikovat orientační body na lebce za účelem korekce malokluze a plánování chirurgického srovnání čelistí,“ řekl Varjonen.
„Umělou inteligenci považuji za velmi účinný nástroj, který mohou lékaři a další odborníci využívat při prvotním posuzování situace nebo k získání alternativních názorů. Problémem modelů hlubokého učení je, že nemůžeme poskytnout jednoznačné odůvodnění, jak model dospěl k určitému výsledku. Aby bylo možné fungování a transparentnost modelů lépe vysvětlit, je zapotřebí dalšího výzkumu,“ uzavřel Sahlsten.
To post a reply please login or register