Early diagnosis of inflammatory processes in periodontal tissues using artificial intelligence: a systematic review

Full Text

ВВЕДЕНИЕ

Воспалительные заболевания пародонта являются одной из ключевых причин утраты зубов во взрослой популяции и вносят существенный вклад в мировое бремя стоматологических заболеваний [1]. Согласно данным международных организаций [1, 2] и исследованиям глобальной распространённости [3, 4], тяжёлые формы пародонтита стабильно ассоциируются с неблагоприятными общесоматическими исходами и значимыми социально-экономическими потерями, причём выраженного снижения популяционного бремени за последние десятилетия не отмечено. Для системы здравоохранения это означает необходимость смещения фокуса в сторону ранней диагностики начальных воспалительных изменений пародонта и ранней стратификации риска, что потенциально позволит предупредить прогрессирование разрушения опорных тканей зуба и сократить издержки лечения. При этом важно подчеркнуть, что частота встречаемости воспалительных заболеваний пародонта у взрослого населения России, по данным региональных исследований, достигает 80–100%, что наглядно демонстрирует актуальность заявленной проблемы [5].Клиническая диагностика ранних воспалительных изменений в тканях пародонта традиционно опирается на пародонтальное зондирование, индексные шкалы и интерпретацию рентгенологических изображений [6]. Однако именно на доклинических и начальных стадиях обнаруживается определенная ограниченность перечисленных выше методов: вариабельность результатов, связанная с компетентностью, опытом специалиста, техники зондирования и стандартов фиксации [7]; ограниченная чувствительность двухмерной визуализации к минимальным изменениям уровня кортикального края и трабекулярной структуры альвеолярной кости [8, 9]. Панорамные и прицельные рентгенограммы остаются доступными и широко применяемыми инструментами первичного обследования. В то же время, при начальной утрате костной ткани они систематически недооценивают протяжённость и выраженность дефектов, что обусловлено проекционными наложениями, вариациями геометрии экспозиции и снижением контрастности мелких очагов [10]. Использование прикусных рентгенограмм (bitewing - прицельные снимки при сомкнутых зубах, отображающие коронки премоляров/моляров и межальвеолярные перегородки) частично снижает указанную систематическую ошибку, однако полностью её не устраняет [9]. Конусно-лучевая компьютерная томография (КЛКТ) предоставляет собой трёхмерную оценку альвеолярной кости и обеспечивает лучшую визуализацию тонких кортикальных пластинок. Важно отметить, что данный метод исследования сопряжен с большей лучевой нагрузкой и, следовательно, требует строгого обоснования показаний и соблюдения принципов защиты организма от радиации [10]. Таким образом, в современной стоматологической практике крайне актуален вопрос внедрения в клиническую деятельность техник и инструментов, способных повышать чувствительность и воспроизводимость диагностических процедур при одновременной минимизации субъективного личностного компонента и вариабельности методологического исполнения.

С введением унифицированной классификации заболеваний пародонта AAP/EFP (2018) [11, 12] и последующим внедрением клинических рекомендаций Европейской федерации пародонтологии уровня S3 (2020–2022 гг.)  [13] сложились чёткие нормативные рамки, определяющие критерии стадирования, градации риска и последовательность лечебно-диагностических мероприятий. Так, известно, что здоровый пародонт характеризуется BOP (Bleeding on Probing; кровоточивость при зондировании) <10%, глубиной зондирования ≤3 мм и утратой клинического прикрепления не более 2 мм [14]. В современных условиях «ранняя диагностика» подразумевает не только своевременное выявление первых признаков воспалительной деструкции тканей (включая минимальную маргинальную резорбцию альвеолярной кости и изменения микроструктуры), но и корректную стратификацию индивидуального риска для выбора обоснованной тактики вмешательства [13]. Следовательно, любая новая технология, претендующая на роль инструмента ранней диагностики, должна подтверждать показатели диагностической точности относительно стандартизированного референтного критерия и демонстрировать устойчивость результатов в условиях внешней валидации. Наиболее интенсивное развитие в последние годы продемонстрировали методы искусственного интеллекта (AI, ИИ), ориентированные на автоматизированный анализ двумерных рентгенологических изображений [15]. Современные сверхточные нейросети решают задачи детекции и количественной оценки маргинальной убыли костной ткани, а также автоматизированного стадирования согласно критериям AAP/EFP  [16, 17]. Накопленные данные указывают на высокие значения чувствительности при приемлемой специфичности в сценариях первичного скрининга и мониторинга [18, 19]. Важно подчеркнуть, что такие системы обеспечивают стабильность измерений и снижают межнаблюдательную изменчивость при повторных оценках одних и тех же изображений [19]. В то же время внедрение алгоритмов ИИ в рутинную клиническую практику затруднено неоднородностью референтных стандартов, дефицитом сопоставимых исходных данных и ограниченным числом внешних валидаций [15]. Совокупность этих факторов препятствует корректному построению интегрированных моделей чувствительности и специфичности и, как следствие, получению обобщённых оценок диагностической точности ИИ.  Для трёхмерной визуализации одной из главных задач является автоматизированная сегментация структур альвеолярной кости и локальных дефектов по данным конусно-лучевой компьютерной томографии. Публикуемые результаты демонстрируют высокие коэффициенты совпадения с экспертной разметкой и значимое сокращение времени анализа, что повышает пропускную способность отделений лучевой диагностики и стандартизирует проводимые измерения [20]. Однако, в отношении именно ранних изменений доказательная база остаётся фрагментарной: исследования различаются по параметрам сканирования, протоколам реконструкции и пороговым определениям минимальной резорбции кости [20], что требует унификации методологии и тщательной, методологической интерпретации сопоставлений.

Активно развивается и направление неинвазивной лабораторной диагностики. Наибольшее внимание привлекают слюнные протеазные маркеры (прежде всего - активированная матриксная металлопротеиназа-8) и микробиомные профили, анализируемые с применением алгоритмов машинного обучения [21]. Мета-анализы и систематические обзоры подтверждают диагностическую ценность таких панелей для популяционного скрининга и динамического наблюдения за пациентами с воспалительными изменениями пародонта [22, 23]. При этом по-прежнему сохраняется необходимость стандартизации аналитических матриц, пороговых значений и условий отбора биоматериала, без чего сопоставимость результатов между диагностическими центрами остаётся ограниченной. Отдельным направлением исследований является применение алгоритмов распознавания по клиническим фотографиям полости рта. Их потенциал представляется значительным для расширения охвата скрининга, однако воспроизводимость результатов определяется строгой стандартизацией условий съёмки и эффективностью контроля артефактов, способных снижать точность классификации [24].

В российской клинической практике накоплено значительное количество исследований, описывающих структуру пародонтальной патологии в различных когортах, характеристики «интактного» пародонта и влияние локальных факторов, включая состав и ферментативную активность слюны [25, 26]. Эти данные указывают на необходимость внешней валидации импортируемых алгоритмов ИИ на отечественных выборках, формирование репрезентативных русскоязычных наборов изображений и биоматериалов, а также адаптацию референтных определений ранних изменений к реальным клиническим ситуациям. На наш взгляд, интеграция инструментов искусственного интеллекта в российскую практику должна опираться на унифицированные протоколы визуализации, единые, четкие критерии интерпретации и прозрачную отчётность о разработке и валидации моделей. На фоне достаточной технологической зрелости ИИ-подходов к анализу 2D-изображений, растущего, но неоднородного массива данных по 3D-сегментации и перспективных результатов по микробиомным маркерам, сохраняется методологический разнобой в определении «раннего поражения», в референтных критериях и в отчётности диагностических метрик. Настоящая работа преследует цель систематически обобщить доказательства эффективности ИИ-методов для ранней диагностики воспалительных изменений в тканях пародонта, выполнить, где это допустимо, мета-анализ показателей диагностической точности, и определить условия клинического переноса в российскую практику [13].

Проведён систематический обзор с элементами мета-аналитического синтеза в соответствии с рекомендациями PRISMA 2020 [27]. Протокол был составлен до начала отбора; ключевые решения (базы данных, временной интервал, критерии включения/исключения, переменные, подходы к оценке качества и синтезу) фиксировались в рабочем протоколе исследовательской группы. Формальная регистрация в публичном реестре не осуществлялась, что обусловлено редакционно-издательскими ограничениями. Поиск выполнен в международных базах (MEDLINE/PubMed, Scopus, Web of Science, EMBASE, Cochrane Library) и в открытых публикационных платформах издательств, а также в электронных библиотеках с доступом к полным текстам публикаций (включая PubMed Central) для получения доступных PDF-версий. Временной интервал – с 01.01.2020 по 28.10.2025. Поисковые запросы формулировались на русском и английском языках. При построении запросов использовались логические связки («И», «ИЛИ», «НЕ»), подбирались эквивалентные термины и варианты написания для каждой базы данных, а также применяли ограничители по датам, типам публикаций и исследованиям на людях.  Основные термины: periodontitis, gingivitis, early diagnosis, screening, artificial intelligence, machine learning, deep learning, convolutional neural network, transformer, panoramic radiograph/OPG, periapical radiograph, CBCT, intraoral photograph, saliva, gingival crevicular fluid, aMMP-8, microbiome; русские эквиваленты включали «пародонтит», «ранняя диагностика», «скрининг», «искусственный интеллект», «сверточные нейронные сети», «КЛКТ», «интраоральные фотографии», «слюна», «aMMP-8». Включались оригинальные исследования на людях (≥18 лет), в которых применялись алгоритмы искусственного интеллекта/машинного обучения для раннего выявления воспалительных изменений в тканях пародонта по данным стоматологической визуализации (панорамные/прицельные рентгенограммы, КЛКТ, клинические фотографии) и/или по оральным биомаркерам (слюна, десневая жидкость, микробиом, протеазы). Обязательными условиями были наличие референтного критерия (клиническая карта пародонта, валидированная экспертная разметка изображений, лабораторный порог) и представление хотя бы одной метрики диагностической точности (чувствительность, специфичность, ROC-AUC, точность, F1-score). Допускались работы с внешней или внутренней валидацией, преимущество отдавалось исследованиям с независимыми тестовыми выборками. Исключались исследования на фантомах/животных, методические работы без клинической валидации, публикации без извлекаемых метрик диагностической точности, дублирование выборок без добавления новых данных, а также работы до 2019 г. без актуализации имеющихся данных. Отбор выполняли два рецензента независимо: на этапе заголовков/аннотаций и на этапе полного текста. Несоответствия разрешались консенсусом. В итоговую выборку вошло 59 работ, посвящённых четырём ключевым направлениям:  анализ двумерных рентгенологических изображений (панорамные и прицельные снимки) для выявления маргинальной резорбции альвеолярной кости и прогностической стратификации, автоматизированная трёхмерная сегментация дефектов по данным КЛКТ,  применение алгоритмов к клиническим фотографиям полости рта для скрининга гингивита/раннего пародонтита, использование слюнных и микробиомных маркеров, подвергнутых анализу с применением методов машинного обучения, для скрининга и мониторинга.

ИИ-анализ панорамных и прицельных рентгенограмм для ранней диагностики ВОСПАЛИТЕЛЬНЫХ ИЗМЕНЕНИЙ ПАРОДОНТА

Современные алгоритмы глубокого обучения продемонстрировали клинически значимую точность автоматизированной оценки маргинальной резорбции альвеолярной кости на панорамных и прицельных рентгенограммах именно в диапазоне слабовыраженных изменений, что является крайне важным аспектом для раннего выявления пародонтита [28]. Так, в исследовании R.H. Putra et al для автоматизированного выявления ранних признаков маргинальной резорбции альвеолярной кости использовали архитектуру You Only Look Once (YOLO), версия 8 - YOLOv8. Модель обучали на размеченных панорамных рентгенограммах, оценивая чувствительность/специфичность на независимом тестовом наборе. Согласно полученным результатам, детектор класса YOLOv8 обеспечил высокие значения интегральной точности при устойчивом распознавании участков снижения уровня альвеолярного гребня. При этом авторы подчеркнули потенциальную роль модели в качестве «второго читателя» для предварительного выделения случаев с минимальными признаками воспалительной деструкции [29]. С практической точки зрения это означает повышение вероятности обнаружения ранних изменений в условиях больших диагностических потоков и уменьшение зависимости результата от корректности их интерпретации. Методологически значимым является подтверждение воспроизводимости результатов при проверке на независимой выборке рентгенологических изображений. В работе H. Dujic et al (2023) ИИ обучали алгоритму автоматизированной оценки маргинальной резорбции альвеолярной кости на одном наборе рентгенологических изображений, после чего проверяли точность и эффективность его работы на независимой выборке панорамных снимков, не использованных при обучении (внешняя валидация). Согласно полученным результатам, показатели точности оказались высокими и при проведении внешней валидации, что подтверждает пригодность модели для первичного выявления небольшого снижения уровня альвеолярного гребня в рутинной практике [30]. Сохранение диагностических показателей при проверке на материалах других пациентов, полученных вне исходной выборки, указывает, что работа алгоритма не определяется особенностями конкретного набора снимков и обладает высокой степенью надёжности для применения в реальной клинической практике.

Для задач раннего стадирования воспалительных процессов пародонта на двумерных снимках перспективной оказалась последовательная схема ИИ-обработки изображений, в которой сначала автоматически локализуют зубы и контуры тканей, а затем, на основании полученных измерений, формируют прогноз по стадии заболевания по критериям AAP/EFP. Такой подход, предложенный T. Xue et al в 2024 г., снижает влияние геометрических и проекционных искажений, тем самым повышая чувствительность именно к минимальным изменениям уровня альвеолярного гребня и обеспечивая более надёжное соотнесение маловыраженных рентгенологических изменений с клинически значимыми категориями риска [16]. Таким образом, с помощью ИИ врач получает не только подсказку о наличии ранних изменений, но и их упорядоченную интерпретацию в координатах принятой классификации.

На прицельных рентгенограммах ключевым количественным ориентиром служит расстояние CEJ-crest, то есть дистанция от эмалево-цементной границы (CEJ) до вершины альвеолярного гребня. При этом уменьшение данного расстояния отражает маргинальную резорбцию альвеолярной кости на ранних стадиях. В исследовании N. Ameli et al (2024) ИИ-алгоритм, объединяющий сегментацию зон резорбции и автоматизированное определение ориентиров, был обучен на 1000 прицельных снимках (572 пациента) и затем проверен на 1582 независимых изображениях (210 пациентов). На этапе проверки модель обеспечила высокую точность сегментации (суммарная доля корректно классифицированных пикселей фона и поражения) - 95,62%,  precision (доля верно распознанных «положительных» пикселей/областей среди всех, помеченных моделью как «положительные», аналог положительной прогностической ценности - 94,67%, IoU (коэффициент «пересечение-над-объединением», отражающий совпадение предсказанной маски с эталонной разметкой) - 80,74%. Вычисленные по результатам автоматического измерения проценты потери костной ткани показали очень высокое согласие с клиническими оценками (ICC > 0,94 - внутриклассовый коэффициент корреляции, характеризующий воспроизводимость количественных измерений). При отнесении к клиническим категориям тяжести авторы получили высокие значения: F1 для III/IV стадии - 0,945, F1 для высокой градации активности (grade C) - 0,83, что указывает на способность системы фиксировать малые изменения CEJ-crest и преобразовывать их в клинически интерпретируемые категории риска уже на раннем этапе [31]. Переход от простой детекции к распознаванию морфологических вариантов поражения имеет самостоятельное значение для ранней диагностики. Так, S. Kurt-Bayrakdar et al показали, что алгоритмы глубокого обучения могут дифференцировать горизонтальные и вертикальные компоненты маргинальной резорбции и выявлять фуркационные изменения на панорамных снимках [18]. Учитывая различия в прогнозе и тактике в зависимости от типа поражения, раннее автоматизированное распознавание таких паттернов позволяет точнее определять приоритеты дообследования и сроки вмешательства.

Сводные обзоры по двумерной визуализации уточняют ожидаемые диапазоны диагностических показателей. В ряде работ сообщается о точности порядка 0,73–0,95, при этом снижение метрик чаще отмечается в анатомически сложных зонах (дистальные отделы верхней челюсти) [15], а повышение фирксируется при наличии стабильных ориентиров (эмалево-цементная граница и опорные линии измерений) [28]. Эти результаты согласуются с исследованиями, сравнивающими точность и эффективность работы алгоритмов с врачами различной степени подготовки [32]. В задачах, требующих выявления слабовыраженных лучевых признаков, системы искусственного интеллекта достигают чувствительности, сопоставимой с экспертной, при более высокой воспроизводимости измерений [33, 34]. В совокупности это обосновывает использование автоматизированной оценки панорамных и прицельных рентгенограмм в качестве первого этапа ранней диагностики воспалительных изменений пародонта с последующей клинической верификацией и, при необходимости, целенаправленной трёхмерной визуализацией.

 

Конусно-лучевая компьютерная томография (КЛКТ) и трехмерная визуализация: автоматизация процессов

В задачах раннего выявления воспалительных изменений существенное значение приобретает конусно-лучевая компьютерная томография, которая обеспечивает трёхмерное представление альвеолярной кости и позволяет оценивать минимальные морфологические сдвиги, недоступные для двухмерной визуализации [35]. За последние годы опубликован ряд исследований, демонстрирующих клиническую применимость автоматизированной сегментации КЛКТ-данных на основе методов глубокого обучения и её практическую ценность именно на ранних этапах поражения пародонта. Так, в исследовании D. Palkovics et al было показано, что алгоритм сегментации КЛКТ обеспечивает резкое сокращение времени анализа при сохранении точности, достаточной для качественной клинической интерпретации. Полуавтоматическая сегментация всей нижней челюсти для предоперационных КЛКТ занимала в среднем 2464,4 ± 438,0 с (≈ 41 мин 7 с), а для послеоперационных - 2554,7 ± 439,7 с (≈ 42 мин 35 с). Автоматизированный алгоритм выполнял ту же задачу в среднем за 52,2 ± 10,8 с (до операции) и 53,9 ± 11,0 с (после операции), то есть в 47–48 раз быстрее, при этом различия статистически значимы (p<0,0001) [35]. Для клинической практики это означает возможность стандартизировать оценку объёма дефекта и «перенести» время врача, которые обычно тратится на выполнение рутинной ручной разметки, на принятие решений. В контексте ранней диагностики важна не только экономия времени, но и снижение вариабельности измерений при повторных исследованиях, что повышает надёжность мониторинга малых изменений.

Работы с прямым сопоставлением КЛКТ-оценок и интраоперационных измерений подтверждают валидность трёхмерной диагностики. В исследовании T.S.N. Chen et al. (17 пациентов, 26 внутрикостных дефектов) средние расхождения между КЛКТ и хирургическими измерениями составили −0,11 ± 0,49 мм для глубины и −0,07 ± 0,41 мм для ширины дефекта (без статистически значимых различий). Внутриклассовые коэффициенты корреляции (ICC) между КЛКТ и хирургическими измерениями достигли 0,938 (глубина) и 0,923 (ширина). Для классификации типа дефекта (одностенный/двустенный/трёхстенный) и его протяжённости согласие между КЛКТ и интраоперационной оценкой было высоким: k = 0,819 и k = 0,855 соответственно, при этом двухмерные прицельные рентгенограммы показывали существенно более низкие значения согласия [36]. Эти величины свидетельствуют, что трёхмерная оценка топографии уже на ранних этапах позволяет более надёжно определить характеристики дефекта, критичные для выбора последующей тактики вмешательства.

Чтобы облегчить практическое применение ИИ-алгоритмов в клинике, разработаны открытые программные модули, встроенные в привычные медицинские платформы (например, 3D Slicer [37]). Их можно запускать через графический интерфейс не владея навыками программирования, что упрощает использование методики в повседневной клинической работе.  Так, Y. Zhou et al представили модель OralSeg, реализованную в пакете 3D Slicer (интерактивная медицинская платформа), с графическим интерфейсом «одной кнопки». Базовая архитектура - UnetR,  для повышения устойчивости использованы современные механизмы внимания (Swin Transformer) и эффективной обработки пространственных зависимостей (spatial Mamba). Авторы сформировали стандартизированный аннотированный набор данных с 35 ключевыми оральными структурами и показали точную покадровую и пообъектную сегментацию, достаточную для клинического использования и обучения персонала без опыта программирования [37]. Благодаря ИИ врач получает воспроизводимые измерения (объёмы, площади, расстояния) в рамках своей практической работы.  Систематический обзор и мета-анализ W.Y. Kot et al, посвящённый сегментации зубов по данным КТ/КЛКТ, демонстрирует устойчивый рост точности современных нейросетевых архитектур и подчёркивает важность внешних проверок на независимых наборах данных, унификации метрик и открытой отчётности для клинического внедрения [38]. Хотя этот обзор фокусируется на сегментации зубов, он методологически подтверждает, что стандартизированные 3D-конвейеры с контролируемыми метриками могут обеспечивать уровень воспроизводимости, необходимый для клиники. Другие научные работы в области автоматического выявления структур и дефектов по данным КЛКТ (включая описания вариантов дефектов и сопутствующих признаков) расширяют применимость методов для ранней стратификации риска в практической стоматологии [39]. Таким образом, представленные выше данные показывают, что автоматизированная 3D-сегментация КЛКТ существенно сокращает время, необходимое для проведения анализа, при сохранении точности на уровне, сопоставимом с врачом-экспертом, обеспечивает валидные количественные показатели размеров и морфологии дефектов, снижает межнаблюдательную изменчивость за счёт стандартизированных процедур.

 

Клинические фотографии полости рта (ранняя диагностика воспаления: алгоритмы автоматизированного анализа)

 

В клинических сценариях раннего выявления воспалительных изменений интерес к фотографическим методам обусловлен их доступностью (в том числе - в телемедицине) и потенциальной масштабируемостью. Речь идёт о клинических фотографиях полости рта, получаемых стандартной фото- или интраоральной камерой. Далее изображения обрабатываются алгоритмами автоматизированного анализа (глубокого обучения), которые выделяют и количественно описывают признаки воспаления (покраснение, отёчность маргинальной десны), биообрастания (налёт) и анатомические ориентиры (например, зоны кератинизированной десны). В своем исследовании C. Ehrensperger и et al применяли интраоральную камеру с фильтром на основе алгоритма машинного обучения для первичной маркировки участков, подозрительных на гингивит. В качестве референтного стандарта использовали кровоточивость при зондировании (bleeding on probing). Было обследовано 110 пациентов, проанализировано 320 участков (по три локализации на человека). При сопоставлении с клиническим эталоном получены следующие показатели: чувствительность - 66,3%, специфичность - 48,3%, k=0,055 (согласие ниже умеренного уровня). Сопоставимая по качеству согласия картина наблюдалась и при визуальной оценке тех же фотографий врачом (чувствительность 79,7%, специфичность 40,7%, k=0,087) [40]. Авторы подчёркивают, что одна лишь оптическая оценка (и человеком, и алгоритмом) без доступа к «глубинным» тканевым слоям ограниченно пригодна для надёжного подтверждения гингивита, однако как первичный скрининг такие системы позволяют оперативно выделять подозрительные зоны при условии стандартизации съёмки (положение камеры, освещение, контроль артефактов слюны) и последующей клинической верификации. Таким образом, фотографии могут служить первым, скрининговым этапом раннего выявления воспалительных изменений пародонта (особенно при удалённом взаимодействии), однако стратегические решения должны опираться на клиническое обследование и, при необходимости, лучевую оценку уровня альвеолярного гребня.

 

Для последующего качественного анализа фотографий значима автоматическая локализация и измерение зон кератинизированной десны, что повышает воспроизводимость фотометрии и облегчает стандартизацию протоколов съёмки. В своем исследовании G. Aykol-Sahin et al оценивали несколько моделей глубокого обучения, специализированных на анализе медицинских изображений и извлечении устойчивых пространственных признаков, на точность и эффективность распознавания кератинизированной десны на клинических фотографиях. Была показана диагностическая пригодность подходов и критическая зависимость стабильности результатов от качества/единообразия фотоматериала [41]. В исследовании Y.C. Chen et al был разработан и валидирован алгоритм автоматического определения границ кератинизированной десны на фотографиях с последующей количественной оценкой. Клиническая применимость подтверждена калибровкой по эталонным меткам и сопоставлением с прямыми измерениями, что обеспечивает объективизацию визуальной информации при наблюдении за ранними воспалительными изменениями маргинальной десны [42].

 

В своих трудах C. Wen et al описали модель для автоматической оценки признаков гингивита по клиническим фотографиям (DenseNet, с объяснимыми картами внимания). В основу обучающей выборки вошло 826 интраоральных фотографий (8214 зубов). При проверке по схеме 5-кратной перекрёстной валидации модель показала: средний IoU (пересечение-над-объединением, мера совпадения сегментации) - 0,727 ± 0,117, чувствительность - 82,03%, специфичность  - 69,11%, доля правильных классификаций 76,32%, PPV (доля истинно положительных среди всех положительных решений) - 84,28%. Важно подчеркнуть, что после «удаления зубов» с фотографии с целью лучшей фокусировки алгоритма на десне, доля внимания к тканям десны возросла с 51,82% до 78,21%, что улучшило распознавание слабо выраженных признаков покраснения/текстуры именно по краю десны - в зоне, критичной для ранней диагностики [43]. Систематический обзор K. Mao et al., обобщивший 26 клинических работ по снимкам полости рта, показал ожидаемую вариабельность метрик в зависимости от постановки задачи и качества съёмки: для классификации точность колебалась от 0,46 до 1,00, для детекции - 0,56-0,78, а для сегментации средний IoU составлял 0,43-0,70. Авторы подчёркивают необходимость внешних проверок на независимых выборках пациентов, единых эталонных критериев (клиническая верификация по BOP и индексам) и унификации отчётности (единый набор метрик и уровней анализа) для возможности надежного переноса результатов в рутинную практику раннего выявления [24].

 

Для оценки зубного налёта как ключевого фактора гингивита A. Ramírez-Pedraza et al собрали 531 RGB-фотографию от 177 человек (мобильные устройства, стандартизация по освещению и цвету, нанесение выявляющего геля) и обучили современные детекторы YOLO. Лучшая модель (YOLOv11m) показала довольно высокие показатели надежности и точности, при этом более «старый» налёт распознавался лучше, чем «свежий», что клинически закономерно и указывает, где алгоритм уверенно фиксирует рисковые зоны, требующие проведения прицельной профилактики [44]. Таким образом, в контролируемых условиях фотосъёмки алгоритмы уже демонстрируют чувствительность около 80% при приемлемой специфичности (≈ 69–70%) на задачах распознавания начальных признаков воспаления, а для задач детекции налёта достигаются устойчивые значения mAP@50 (средняя точность при пороге перекрытия 0,5)  ≈ 0,71, достаточные для первичного отбора [44]. Однако для уверенного клинического применения в условиях большого потока пациентов требуется проведение процесса стандартизации фотопротоколов (ракурс, освещение, контроль артефактов) и внешней валидации на независимых выборках пациентов с клиническими эталонами (BOP, индексы гингивита/налёта).

 

Обобщая вышеизложенное, можно сделать следующие выводы: проведение фотографический скрининга при соблюдении жёстких протоколов съёмки и контроле артефактов может на ранних этапах сигнализировать о наличии вероятных очагах воспаления у пациентов, которые не обращаются регулярно или доступны лишь для дистанционного наблюдения. Автоматизированное выделение анатомических ориентиров (зоны кератинизированной десны) повышает стандартизацию и воспроизводимость измерений на фото, что критично при маловыраженных изменениях. Показатели диагностической точности в реальных клинических условиях пока уступают эталонной клинической оценке гингивита по BOP, но улучшаются по мере стандартизации данных и внешней валидации.

 

Стоит отметить, что при гингивите на фоне стресса возрастает концентрация ИЛ-1β и ТФР-β в ротовой жидкости при одновременных изменениях пародонтопатогенной микробиоты [45], что открывает нам еще одну диагностическую перспективу и подводит нас к лабораторной ИИ-верификации воспалительных изменений пародонта.

 

Алгоритмы ИИ для интерпретации слюнных и микробиомных данных при раннем воспалении

 

Наибольшее число клинических данных на сегодняшний день накоплено по активированной матриксной металлопротеиназе-8 (aMMP-8), определяемой в слюне или десневой жидкости с помощью экспресс-тестов прямо у кресла врача (POCT aMMP-8). В сводном анализе клинической диагностической точности для aMMP-8, охватывающем публикации последних лет, суммарные оценки варьируют в пределах чувствительности 0,74–0,85 и специфичности 0,60–0,78, что соответствует умеренной точности в сценариях первичного скрининга [22]. При этом различия между материалами (слюна/десневая жидкость), пороговыми значениями и тест-платформами оказывают влияние на метрики, но не меняют общий вывод о клинической эффективности при корректной стандартизации процедуры отбора и интерпретации результатов [23, 46]. Стоит подчеркнуть, что повышение провоспалительных медиаторов сопряжено с активацией нейтрофильной коллагеназы-2 (aMMP-8), что патогенетически обосновывает использование экспресс-теста у кресла врача [47]. Исследования с предопределёнными порогами подтверждают применимость теста для стратификации риска: например, при пороге 20 нг/ площадь под ROC-кривой (AUC) составила 0,82 (95% ДИ 0,78–0,86); отношение правдоподобия положительного результата (LR+) - 3,10, отрицательного (LR–) - 0,45, что клинически соответствует сдвигу  вероятности заболевания в пользу назначения прицельной верификации и раннего вмешательства [22, 48].

 

В исследовании, охватившим 149 пациентов, многофакторная модель (обученная на сочетании aMMP-8 с клиническими предикторами), обеспечила чувствительность 95,8% (95% ДИ 92,1-99,4%) и специфичность 71,0% (95% ДИ 55,0-86,9%) для идентификации случаев, соответствующих пародонтиту по принятым критериям. Модель также позволяла различать II и III стадии с приемлемой точностью, что важно именно для ранней стратификации и отбора пациентов для проведения более углубленного обследования (визиографии/КЛКТ) [48]. Для динамического наблюдения после нехирургического лечения на стадиях III/IV показана связь результатов POCT aMMP-8 с конечными клиническими точками (уменьшение кровоточивости при зондировании, сокращение доли пародонтальных карманов ≥4 мм): корреляции достигают r=0,42–0,60, а изменения тест-показателя согласуются с клиническим улучшением при 8-12-недельном периоде наблюдения [49-51].

 

Для микробиомных подходов (16S-секвенирование, метагеномика) в последние годы показана принципиальная возможность массового скрининга по слюне. В проспективных исследованиях многофакторные модели на профилях слюнной микробиоты обеспечивали площадь под ROC-кривой 0,80-0,92 для выявления пациентов с пародонтитом. Чувствительность при фиксированной специфичности = 0,80 достигала 0,78-0,86  [52], что сопоставимо с результатами по aMMP-8 и указывает на взаимодополняемость биомаркерных и микробиомных панелей [53, 54]. В подгруппе пациентов с высоким поведенческим риском при повторных обследованиях профили слюнной микробиоты сохраняли внутрисубъектовую воспроизводимость (внутриклассовый коэффициент корреляции ICC 0,71-0,82), что позволяет использовать их для надёжного мониторинга во времени  [53]. Дополнительным, активно развивающимся направлением в практической стоматологии является разработка мультимодальных панелей, сочетающих aMMP-8 с прочими протеазами и индикаторами воспаления (IL-1β, TNF-α) и/или микробиомными маркерами. Такие модели демонстрируют прирост точности (например, AUC +0,04–0,08 по сравнению с одиночным маркером), а в некоторых сериях достигают чувствительности ≈0,90 при специфичности ≈0,75 [55-57]. Наконец, экспериментальные данные по спектроскопии поверхностно-усиленного рамановского рассеяния (SERS - быстрый, безболезненный лабораторно-инструментальный скрининг по слюне, который улавливает ранние биохимические маркёры активности воспаления) в сочетании с алгоритмами машинного обучения показывают площадь под ROC-кривой равную 0,86–0,93 для различения «здоровых» и «ранних воспалительных» профилей слюны, что открывает перспективу неинвазивного экспресс-скрининга на уровне первичного звена [58].

С методологической точки зрения для лабораторных подходов ключевыми остаются стандартизация используемого биоматериала и процедуры (время суток, предшествующая гигиена, тип пробоотборника) и внешняя проверка на независимых, в идеале – многоцентровых, выборках [22, 23].

 

Интеграция лабораторных и визуальных методов (практическая модель раннего выявления)

 

Совокупный анализ указывает на взаимодополняемость биомаркеров и визуальной оценки (рентгенограммы, клинические фотографии) в ранней диагностике. На наш взгляд, в практической модели, ориентированной на первичное звено здравоохранения и превентивную медицину, входной скрининг целесообразно выстраивать по принципу «немедленная доступность + количественная интерпретация». При первичном контакте возможно применение POCT aMMP-8 и/или фото-скрининга (стандартизированная интраоральная фотография с автоматизированной маркировкой участков риска). При положительном биомаркерном результате (например, превышение порога 20 нг/мл) или согласованном фото-сигнале пациент должен быть направлен на таргетированную визиографию с количественной оценкой CEJ-crest расстояния и, при необходимости, на КЛКТ для трёхмерной характеристики дефектов. Накопленные на сегодняшний день данные по влиянию порогов на принятие решений иллюстрируют клиническую полезность комбинированного подхода. Например, при использовании aMMP-8 с порогом 20 нг/мл уверенное LR+ ≥2 позволяет повысить определение вероятности поражения и обосновать визиографию даже при минимальной клинической симптоматике [22, 48, 59]. В свою очередь, фото-скрининг в стандартизированных условиях демонстрирует чувствительность ≈80% при специфичности ≈70%, что приемлемо для первичного отбора, тогда как количественная оценка CEJ-crest на прицельных снимках повышает воспроизводимость и переводит малые изменения в сопоставимые измерения, согласованные с клиническими критериями AAP/EFP [31]. Для групп высокого риска (курение, диабет, низкая стоматологическая активность) микробиомные модели с AUC 0,80-0,92 обеспечивают дополнительную сортировку, позволяя идентифицировать когорту пациентов, которой целесообразно проводить более ускоренное дообследование [52, 55].

Системный эффект проявляется и на этапе мониторинга: снижение тест-показателя aMMP-8 после нехирургической терапии параллельно уменьшению кровоточивости и сокращению доли карманов ≥4 мм формирует количественную обратную связь для врача и пациента, а при несоответствии лабораторной и клинической динамики служит поводом для проведения дообследования (повторная фото-оценка, визиография, КЛКТ) [50, 51]. В совокупности такая ИИ-интеграция создаёт мультимодальный маршрут ранней диагностики, где лабораторные тесты и фото-сигналы расширяют охват и повышают чувствительность, а количественная визуализация (прицельные снимки/КЛКТ) обеспечивает верификацию и стратификацию с достаточной специфичностью. Для широкого внедрения алгоритмов ИИ в условиях нашей страные требуются унификация протоколов проведения проб и фотосъёмки, многоцентровая внешняя проверка диагностических моделей и создание системы единой отчётности по метрикам, позволяющей выполнять мета-аналитический синтез и включать результаты в клинические рекомендации.

Заключение

Интеграция методов искусственного интеллекта в раннюю диагностику воспалительных изменений пародонта повышает воспроизводимость измерений и чувствительность к маловыраженным признакам при приемлемой специфичности. На панорамных и прицельных рентгенограммах ИИ-алгоритмы корректно выявляют минимальное снижение уровня альвеолярного гребня (количественная оценка расстояния «эмалево-цементная граница - вершина альвеолярного гребня») и согласуют его с клиническими категориями риска AAP/EFP. По данным КЛКТ автоматизированная сегментация обеспечивает валидные пространственные характеристики дефектов при многократном сокращении времени анализа. Экспресс-тест на активированную ММП-8 и микробиомные профили слюны информативны для первичного отбора и мониторинга и дополняются стандартизированной фото-оценкой. Ограничениями остаются неоднородность референтных стандартов, дефицит внешних проверок и вариативность протоколов визуализации и пробоотбора. Для российских условий приоритетны унификация фотопротоколов и рентгенологических режимов (с обязательной отчётностью по CEJ-crest), стандартизованные пороги для aMMP-8 и многоцентровая валидация моделей.

Дополнительная информация

Вклад авторов

При определении вклада каждого автора настоящей работы используйте систему CRediT (см. здесь). Типовое описание вклада — это перечисление ФИО авторов с указанием вклада каждого из них в терминах CRediT. Вклад необходимо определить и в статьях с одним автором. Описание вклада следует завершить следующим заявлением: «Авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты настоящей работы, гарантируют надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части».

Пример оформления:

 

Белова Н.М. — определение концепции, работа с данными, пересмотр и редактирование рукописи;

Гасанова Ш.М. — определение концепции, работа с данными, написание черновика рукописи;

Разакова З.Н. — валидация, пересмотр и редактирование рукописи;

Доржиева З.В. — написание черновика рукописи, валидация, пересмотр и редактирование рукописи

Коростелева Е.В. — разработка методологии, валидация,  написание черновика рукописи;

Исмаилова А.А. — разработка методологии, работа с данными, редактирование рукописи;

Шаталова Д.Д. — пересмотр и редактирование рукописи

 

 

Все авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты настоящей работы, гарантируют надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

 

Благодарности*

неприменимо

Согласие на публикацию

неприменимо

Источники финансирования

отсутствуют

Раскрытие интересов

неприменимо

Заявление об оригинальности

использованы впервые собранные сведения

Доступ к данным

Авторы заявляют об отказе в доступе к данным, использованным при подготовке настоящей статьи, в связи с характером исследования (описательный обзор литературы).

Генеративный искусственный интеллект

Не использовался

Рассмотрение и рецензирование

Рукопись направлена в редакцию журнала в инициативном порядке

Дисклеймер*

неприменимо

Приложения

неприменимо

About the authors

Nadezhda Mikhailovna Belova

Russian Medical Academy of Continuous Professional Education

Author for correspondence.
Email: qi.mozg@mail.ru
ORCID iD: 0000-0002-6164-4577
SPIN-code: 1539-0670

Ph.D, Associate Professor

Russian Federation, Russia, 2/1, Barrikadnaya street, Moscow, 125993

Shuainat Magomedovna Gasanova

North Ossetian State Medical Academy, Vladikavkaz, Russia

Email: shuanagasanova3@gmail.com
ORCID iD: 0009-0003-5673-0627
Russian Federation, Russia, 362019, Vladikavkaz, Pushkinskaya str., 40

Zuleikha Nabibullayevna Razakova

North Ossetian State Medical Academy, Vladikavkaz, Russia

Email: razakova-02@mail.ru
ORCID iD: 0009-0000-9178-8865
Russian Federation, Russia, 362019, Vladikavkaz, Pushkinskaya str., 40

Zinaida Vasilevna Dorzhieva

Irkutsk State Medical University, Irkutsk, Russia

Email: zinvasdor@mail.ru
ORCID iD: 0009-0003-3070-3962
SPIN-code: 4032-6062

Ph.D, Associate Professor

Russian Federation, Russia, Krasnogo Vostania street, 1, Irkutsk, 664003

Ekaterina Vyacheslavovna Korosteleva

Moscow Regional Research Clinical Institute named after M. F. Vladimirsky, Moscow, Russia

Email: dr.korostelewa@mail.ru
ORCID iD: 0009-0006-9901-768X
Russian Federation, Russia, Moscow, Schepkina Street, 61/2

Amina Adlanovna Ismailova

North Ossetian State Medical Academy, Vladikavkaz, Russia

Email: issm.amina@mail.ru
ORCID iD: 0009-0004-5172-1956
Russian Federation, Russia, 362019, Vladikavkaz, Pushkinskaya str., 40

Darya Denisovna Shatalova

Peoples' Friendship University of Russia

Email: satalovad5@gmail.com
ORCID iD: 0009-0004-7457-2121
Russian Federation, Russia, Miklukho-Maklaya street, 6, Moscow, 117198

References

Supplementary files