Аннотация
Трёхмерные цифровые технологии и искусственный интеллект (ИИ) являются одними из самых современных и актуальных достижений в области стоматологии, включая ортодонтию. Эти системы позволяют специалистам повышать точность диагностики и планирования лечения, улучшать качество обслуживания пациентов, а также сокращать время подготовки плана лечения.
Настоящее исследование направлено на изучение возможного применения искусственного интеллекта (ИИ) для оценки состояния верхних дыхательных путей, а также на проверку надёжности автоматической интерпретации данных конусно-лучевой компьютерной томографии (КЛКТ).
Тридцать КЛКТ с областью обзора 15×15 были загружены в систему Diagnocat (ООО «Диагнокат», Москва, Россия), и для каждой томограммы был автоматически сформирован рентгенологический ортодонтический отчёт. Эти же снимки были дополнительно проанализированы вручную независимым специалистом. Были оценены 3D-цветовая визуализация верхних дыхательных путей, общий и минимальный объём, показатели UPW, LPW, PASmin и коэффициент A/N. Полученные данные были собраны и использованы для статистического анализа в программе Microsoft Excel. Всего было создано 60 отчётов для 30 КЛКТ.
Надёжность соответствия между двумя методами составила 93,3%. Установлена положительная корреляция между минимальным сагиттальным линейным размером (MSLD) на реконструированных двумерных боковых цефалограммах и минимальной площадью поперечного сечения (MCSA) на КЛКТ, а также отрицательная корреляция между коэффициентом A/N и общим объёмом дыхательных путей.
Система ИИ может быть полезна на этапе первичной оценки КЛКТ верхних дыхательных путей, формируя достоверные отчёты и при необходимости рекомендуя дополнительные методы диагностики для более точной оценки. Также ИИ способен повысить точность диагностики при ортодонтическом лечении, тем самым повышая эффективность работы врачей. Однако система имеет ограничения при выявлении гипертрофии аденоидов (ГА).
В заключение, применение искусственного интеллекта в ортодонтической диагностике может быть полезным для скрининга верхних дыхательных путей и обладает значительным потенциалом.
Введение
Физиологическое дыхание часто нарушается из-за анатомических или функциональных проблем, в результате чего дыхательный цикл запускается не только через нос, но и через рот¹²³. Нормальное дыхание имеет важное значение для правильного прикуса и краниофациального развития⁴. Многочисленные исследования показали, что аденоиды вызывают хроническое ротовое дыхание, которое, в свою очередь, может привести к оромышечным дисфункциям и различным видам аномалий прикуса⁵⁶. Правильный тип дыхания считается необходимым условием для оптимального роста и развития зубочелюстной и лицевой области⁷. Помимо конкретных негативных последствий для лицевого скелета, сообщается, что нарушенное носовое дыхание вызывает изменения в осанке головы человека⁸.
Поскольку тип дыхания и состояние верхних дыхательных путей влияет не только на челюстно-лицевую область, но и на весь организм, крайне важно правильно оценивать состояние этих путей. Первый этап — диагностика — является ключом к правильному планированию лечения и достижению желаемого результата. На практике далеко не все ортодонты оценивают состояние верхних дыхательных путей до начала лечения. Многие просто не знают, как это правильно сделать. Стоматологи, как правило, сосредоточены на цефалометрических расчётах и данных. Однако если ортодонт упускает важную диагностическую информацию, это затрудняет достижение стабильного и клинически успешного результата после лечения.
В настоящее время в стоматологии и радиологии используются современные цифровые технологии, которые помогают врачам в процессе диагностики. Одной из таких передовых и перспективных технологий является искусственный интеллект (ИИ)⁹. Сегодня ИИ активно применяется в стоматологической практике¹⁰¹¹¹². Искусственный интеллект — это общее понятие, обозначающее системы, имитирующие когнитивные функции человеческого интеллекта¹³. В настоящее время ИИ используется в таких задачах, как обнаружение объектов, классификация изображений. Искусственный интеллект может оценивать и анализировать конусно-лучевые компьютерные томографии (КЛКТ) и выявлять различные стоматологические патологии. Кроме того, технологии ИИ активно применяются в ортодонтии¹⁴¹⁵. Некоторые программы на основе ИИ выполняют сегментацию и визуализацию верхних дыхательных путей¹⁶²⁷.
Цель данного исследования — оценить надёжность искусственного интеллекта при автоматическом выявлении верхних дыхательных путей на изображениях КЛКТ.
Материалы и методы
Это ретроспективное исследование было выполнено в соответствии с принципами Хельсинкской декларации. Были отобраны тридцать диагностически пригодных КЛКТ пациентов с различными зубочелюстными аномалиями в возрасте от 9 до 15 лет (18 девочек и 12 мальчиков), полученные в частной стоматологической клинике в Москве, Россия. Снимки были сделаны в период с августа 2021 года по сентябрь 2022 года и включены в исследование.
Критерии исключения: КЛКТ с открытым ртом, неудовлетворительным качеством, содержащие выраженные артефакты (в частности, артефакты движения), область обзора менее 15×15, ранее проведённое ортодонтическое лечение, тяжёлые краниофациальные аномалии.
Все КЛКТ были занесены в список и пронумерованы. Затем все изображения были загружены в программное обеспечение Diagnocat (DC, ООО «Диагнокат», Москва, Россия), после чего для каждой томограммы был сформирован рентгенологический ортодонтический отчёт, ставший основой для автоматической оценки. Были проанализированы 3D-цветовая визуализация верхних дыхательных путей, их общий и минимальный объём. Те же КЛКТ были вручную проанализированы одним независимым стоматологом (оценщиком). С использованием ручной трассировки изображений в программе WEBCEPH на реконструированных боковых цефалограммах (RLCs) были определены и рассчитаны следующие параметры: UPW (верхняя глоточная ширина), LPW (нижняя глоточная ширина), PASmin (минимальная площадь дыхательного пути), коэффициент A/N.⁽¹⁷,¹⁸⁾
Описание параметров приведено в таблице 1.
Оценщик анализировал каждую рентгенограмму независимо и отдельно (не зная результатов автоматической оценки Diagnocat). Сначала проводилась ручная трассировка RLCs и определялось значение PASmin, и только после этого полученные данные сравнивались с визуализацией, сформированной Diagnocat.
Для статистического анализа в программе Microsoft Excel 2000 рассчитывались средние значения параметров, стандартное отклонение и коэффициент корреляции Пирсона.
Таблица 1. Измерения, используемые для 2D-трассировки и анализа дыхательных путей.
Результаты
В исследование было включено 30 детей: 18 девочек (60 %) и 12 мальчиков (40 %). Средний возраст пациентов составил 11,5 ± 2,45 года, причём большинство (9 человек, 30 %) были не младше 14 лет. Все данные обеих групп сведены в таблицу (Таблица 2).
В зависимости от значения аденоидного индекса все пациенты были разделены на 2 группы: первая — аденоидная группа (AG) с отношением A/N более 0,6 и вторая — контрольная группа (CG) с отношением A/N менее 0,6. У пациентов группы AG по результатам рентгенологического обследования была диагностирована гипертрофия аденоидов (ГА). Согласно Zhao T и соавт., у ребёнка можно заподозрить наличие ГА при значении отношения A/N более 60 %. Если A/N превышает 0,6, диагноз гипертрофии аденоидов считается подтверждённым⁽¹⁹⁾.
В исследовании Hamza S. B. и соавт.⁽²⁰⁾ была предложена рентгенологическая градация степеней увеличения аденоидов:
- Степень 0 (0.00–0.25) — отсутствие увеличения аденоидов
- Степень 1 (0.26–0.50) — минимальное увеличение
- Степень 2 (0.51–0.75) — умеренное увеличение
- Степень 3 (0.76–1.00) — выраженное увеличение
Результаты показали, что средние значения рентгенологического размера аденоидов, размера носоглотки и отношения A/N для пациентов из группы AG составили 14,75 ± 2,27 мм, 21,65 ± 3,58 мм и 0,65 ± 0,05 соответственно. Для пациентов контрольной группы (CG) средние значения тех же параметров составили 14,75 ± 2,27 мм, 21,65 ± 3,58 мм и 0,29 ± 0,1 соответственно.
Средние значения UPW и LPW для группы AG составили 12,7 ± 1,9 мм и 9,8 ± 2,9 мм соответственно. Для CG — 13,7 ± 0,4 мм и 9,6 ± 0,2 мм соответственно.
Среднее значение PASmin у всех пациентов составило 7,25 ± 1,2 мм, при этом в первой группе — 6,75 ± 2,6 мм, а во второй — 7,6 ± 2,77 мм (см. рисунок 1).
Рисунок 1. Измерения верхних дыхательных путей на RCL.
Согласно данным Hsu W.E. и соавт., минимальное пространство глотки (PASmin) представляет собой наиболее суженное расстояние в передне-заднем направлении в области верхних дыхательных путей. Это расстояние определяется как перпендикуляр, проведённый от задней стенки глотки до передней стенки⁽²¹⁾. В нашем исследовании PASmin также обозначалось как наиболее узкое переднезаднее расстояние верхних дыхательных путей. На двумерных реконструированных боковых цефалограммах (RLCs) PASmin также называют минимальным сагиттальным линейным размером (MSLD)⁽²²⁾.
Наиболее частыми зонами максимального сужения верхних дыхательных путей в сагиттальной проекции на RLCs были:
- ротоглотка — в 63,33 % случаев
- гипофаринкс — в 33,33 % случаев
Сужения в области ротоглотки чаще всего фиксировались на уровне кончика язычка и средней части мягкого нёба. Что касается гипофаринкса, то сужения чаще всего располагались на уровне корня языка и угла нижней челюсти, а в отдельных случаях — ниже угла нижней челюсти. У одного пациента из группы AG PASmin был расположен в носоглотке на уровне аденоидов.
3D-цветная визуализация верхних дыхательных путей по 30 КЛКТ была выполнена с помощью программы Diagnocat. Искусственный интеллект определял общий объём верхних дыхательных путей от верхней границы (максиллярная плоскость ANS–PNS) до нижней границы (надгортанник), а также минимальную площадь поперечного сечения (MCSA). Наиболее частыми локализациями MCSA были:
- ротоглотка — 76,6 %
- гипофаринкс — 40 %
Значения MCSA были ниже у пациентов с аденоидами.
Рисунок 2. Наложение автоматического и ручного расчета верхних дыхательных путей.
Было проведено наложение результатов автоматического и ручного расчёта верхних дыхательных путей (рисунок 2). Надёжность, то есть степень соответствия между двумя методами, составила 93,3 %. Однако было отмечено два особых случая. У двух пациентов из 30 визуализация минимальной площади поперечного сечения (MCSA) и PASmin не совпала.
У одного пациента из контрольной группы (CG), не имевшего аденоидов, искусственный интеллект определил объём верхних дыхательных путей до самой верхней границы носоглотки (основание черепа). MCSA в этом случае была зафиксирована под основанием клиновидной кости (рисунок 3).
У другого пациента из аденоидной группы (AG) была выраженная гипертрофия аденоидов (A/N = 0,83). Было отмечено, что у пациента со 2-й степенью гипертрофии аденоидов искусственный интеллект не выявил сужения или наличие патологии в области носоглотки. Чаще всего цветовая визуализация носоглотки отображалась синим или зелёным цветом, что соответствует объёму 300–360 см³, даже у пациентов с выраженной гипертрофией аденоидов.
Рисунок 3. Вид трехмерной цветной визуализации глоточных дыхательных путей с помощью Diagnocat.
Таблица 2. Сравнение показателей верхних дыхательных путей между группой с аденоидами (АГ) и контрольной группой (КГ).
Статистический анализ
По результатам статистического анализа коэффициент корреляции Пирсона между PASmin и минимальной площадью поперечного сечения (MCSA) составил 0,289 для группы AG и 0,338 для группы CG. Положительная корреляция между минимальным сагиттальным линейным размером (MSLD) на двумерных реконструированных боковых цефалограммах и MCSA на КЛКТ подтвердила взаимосвязь между этими параметрами.
Коэффициент корреляции Пирсона между отношением A/N и общим объёмом дыхательных путей составил –0,20 и –0,44 для первой и второй группы соответственно. Отрицательная корреляция между этими параметрами указывает на то, что увеличение аденоидов сопровождается уменьшением общего объёма дыхательных путей.
Обсуждение
Использование КЛКТ в качестве трёхмерного диагностического инструмента становится всё более распространённым благодаря его преимуществам по сравнению с 2D-методами⁽²³⁾. Одним из важнейших диагностических аспектов, получаемых при помощи КЛКТ, является оценка состояния верхних дыхательных путей, что крайне важно при планировании лечения пациентов с аденоидами. Ранее проведённые исследования показали, что морфология верхних дыхательных путей может быть изучена как с помощью 2D, так и 3D-рентгенологических методов, однако КЛКТ является наиболее точным⁽²⁴⁻²⁶⁾. В настоящее время изучение верхних дыхательных путей с использованием современных цифровых технологий и искусственного интеллекта представляет собой актуальное и перспективное направление.
В нашем исследовании мы попытались оценить возможности программы Diagnocat, основанной на технологии искусственного интеллекта, в оценке состояния верхних дыхательных путей у детей в возрасте от 9 до 15 лет, а также прояснить точность объёмной оценки верхних дыхательных путей по КЛКТ, её надёжность и ограничения для применения в рутинной стоматологической практике. Томографические измерения объёма дыхательных путей не предназначены для постановки клинического диагноза, но широко используются для скрининга, оценки состояния и контроля результатов лечения.
Автоматический протокол рентгенологической оценки, применённый в рамках данного исследования, показал высокую эффективность в визуализации дыхательных путей, определении общего и минимального объёма. Определение локализации и значения минимального размера дыхательного пути может быть полезным для скрининга и планирования лечения пациентов с аденоидами, ротовым дыханием и другими нарушениями проходимости верхних дыхательных путей.
Однако оценка гипертрофии аденоидов показала низкую эффективность. В отличие от ручной 2D-оценки на реконструированных боковых цефалограммах, Diagnocat не выявлял умеренную или выраженную гипертрофию аденоидов. Искусственный интеллект не определял наличие 2-й или 3-й степени гипертрофии аденоидов по рентгенологическим признакам. Эта важная диагностическая информация может играть ключевую роль при планировании лечения и в достижении ожидаемых результатов. Положительная корреляция между MSLD на двумерных цефалограммах и MCSA на трёхмерных КЛКТ подтверждает клиническую надёжность метода оценки верхних дыхательных путей.
Ограничения исследования
Исследуемая выборка в 30 КЛКТ является относительно небольшой, хотя и позволяет получить данные, пригодные для статистического анализа. Вторым ограничением является отсутствие чётких критериев и границ для определения параметров дыхательных путей. Планируется разработка новых алгоритмов для обучения искусственного интеллекта. В этой области необходимы дальнейшие исследования, и авторы настоящей работы предлагают расширить группу оценивающих специалистов и проводить анализы на более крупных выборках.
Выводы
С учётом ограничений данного исследования можно сделать вывод, что применение искусственного интеллекта может быть полезным для первичной оценки КЛКТ в целях скрининга состояния верхних дыхательных путей, за исключением точного определения гипертрофии аденоидов. Кроме того, более развернутый отчёт, генерируемый данной системой, может указывать на потенциальные патологии, которые требуют оценки профильными специалистами и быть полезным в рамках комплексной диагностики и выбора правильной тактики лечения в каждом конкретном клиническом случае.
Декларация о конфликте интересов
Авторы заявляют об отсутствии конфликта интересов.
Список литературы
1. Salem OH, Briss BS, Annino DJ. Nasorespiratory function and craniofacial morphology-a review of the surgical management of the upper airway. Semin Orthod. 2004;10:54-62.
2. Farid MM, Metwalli N. Computed tomographic evaluation of mouth breathers among paediatric patients. Dentomaxillofac Radiol. 2010;39:1-10.
3. Jefferson Y. Mouth breathing: adverse effects on facial growth, health, academics, and behavior. Gen Dent. 2010;58:79-80, 18- 25; quiz 26-7.
4. Faria PT, de Oliveira Ruellas AC, Matsumoto MA, Anselmo- Lima WT, Pereira FC. Dentofacial morphology of mouth breathing children. Braz Dent J. 2002;13(2):129-32.
5. Lessa FC, Enoki C, Feres MF, Valera FC, Lima WT, Matsumoto MA. Breathing mode influence in craniofacial development. Braz J Otorhinolaryngol. 2005;71(2):156-60.
6. Peltomäki T. The effect of mode of breathing on craniofacial growth–revisited. Eur J Orthod 2007;29:426–9.
7. Wang H, Qiao X, Qi S, Zhang X, Li S. Effect of adenoid hypertrophy on the upper airway and craniomaxillofacial region. Transl Pediatr 2021;10(10):2563-2572.
8. Krakauer, L. H., & Guilherme, A. Relationship between mouth breathing and postural alterations of children: A descriptive analysis. International Journal of Orofacial Myology, 2000;26(1), 13-23.
9. Orhan K, Bayrakdar IS, Ezhov M, Kravtsov A, Özyürek T. Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans. Int Endod J. 2020;53(5):680-689.
10. Zadrożny Ł, Regulski P, Brus-Sawczuk K, Czajkowska M, Parkanyi L, Ganz S, Mijiritsky E. Artificial Intelligence Application in Assessment of Panoramic Radiographs. Diagnostics (Basel). 2022;12(1):224.
11. Ezhov M, Gusarev M, Golitsyna M, Yates JM, Kushnerev E, Tamimi D, Aksoy S, Shumilov E, Sanders A, Orhan K. Clinically applicable artificial intelligence system for dental diagnosis with CBCT. Sci Rep. 2021;11(1):15006.
12. Ahmed N, Abbasi MS, Zuberi F, Qamar W, Halim MSB, Maqsood A, Alam MK. Artificial Intelligence Techniques: Analysis, Application, and Outcome in Dentistry-A Systematic Review. Biomed Res Int. 2021;2021:9751564.
13. Khanagar SB, Al-Ehaideb A, Maganur PC, Vishwanathaiah S, Patil S, Baeshen HA, Sarode SC, Bhandi S. Developments, application, and performance of artificial intelligence in dentistry
– A systematic review. J Dent Sci. 2021;16(1):508-522. doi: 10.1016/j.jds.2020.06.019.
14. Monill-González A, Rovira-Calatayud L, d’Oliveira NG, Ustrell- Torrent JM. Artificial intelligence in orthodontics: Where are we now? A scoping review. Orthod Craniofac Res. 2021;24 Suppl 2:6-15. doi: 10.1111/ocr.12517.
15. Khanagar SB, Al-Ehaideb A, Vishwanathaiah S, Maganur PC, Patil S, Naik S, Baeshen HA, Sarode SS. Scope and performance of artificial intelligence technology in orthodontic diagnosis, treatment planning, and clinical decision-making – A systematic review. J Dent Sci. 2021;16(1):482-492.
16. Sin Ç, Akkaya N, Aksoy S, Orhan K, Öz U. A deep learning algorithm proposal to automatic pharyngeal airway detection and segmentation on CBCT images. Orthod Craniofac Res. 2021;24 Suppl 2:117-123.
17. McNamara JA Jr: A method of cephalometric evaluation. Am J Orthod 1984;86(6):449–469.
18. Fujioka M, Young LW, Girdany BR. Radiographic evaluation of adenoidal size in children: adenoidal-nasopharyngeal ratio. AJR Am J Roentgenol. 1979;133(3):401-4.
19. Zhao T, Zhou J, Yan J, Cao L, Cao Y, Hua F, He H. Automated Adenoid Hypertrophy Assessment with Lateral Cephalometry in Children Based on Artificial Intelligence. Diagnostics (Basel). 2021;11(8):1386.
20. Sunaina Binth Hamza, Ranjith V. T Assessment of size of adenoid-comparison of adenoidal nasopharyngeal ratio and nasal endoscopy in children with chronic adenoiditis. International Journal of Research in Medical Sciences . Int J Res Med Sci. 2019;7(3):776-781.
21. Hsu WE, Wu TY. Comparison of upper airway measurement by lateral cephalogram in upright position and CBCT in supine position. J Dent Sci. 2019;14(2):185-191.
22. Alwadei AH, Galang-Boquiren MTS, Kusnoto B, Costa Viana MG, Lin EY, Obrez A, Evans CA, Masoud AI. Computerized measurement of the location and value of the minimum sagittal linear dimension of the upper airway on reconstructed lateral cephalograms compared with 3-dimensional values. Am J Orthod Dentofacial Orthop. 2018;154(6):780-787.
23. Obelenis Ryan DP, Bianchi J, Ignácio J, Wolford LM, Gonçalves JR. Cone-beam computed tomography airway measurements: Can we trust them? Am J Orthod Dentofacial Orthop. 2019 Jul;156(1):53-60.
24. Kaur S, Rai S, Kaur M. Comparison of reliability of lateral cephalogram and computed tomography for assessment of airway space. Niger J Clin Pract 2014;17:629-36.
25. Sears CR, Miller AJ, Chang MK, Huang JC, Lee JS. Comparison of pharyngeal airway changes on plain radiography and cone-beam computed tomography after orthognathic surgery. J Oral Maxillofac Surg. 2011;69(11):e385-94.
26. Harun Achmad, Rini Sitanaya, Hans Lesmana, Arni Irawaty Djais, Rosdiana Agustin. Effectiveness of Twin Block Device as Upper Airway Correction in Pediatric Patients with Class II Malocclusion and Its Relationship with Muscle Contraction: A Systematic Review. J Int Dent Med Res. 2022; 15(2): 873-884
27. Kamgang W., Kosyreva T.F., Tuturov N.S., Loginopulo O.V., Abakeliya K., Katbeh I. Prevalence of dental anomalies in children in the central region of Cameroon. Endodontics Today. 2022;20(3):272-276.