Дата публикации в реестре: 2024-03-01T15:00:27Z

Аннотация:

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.

Тип: Article

Права: open access

Источник: Медицинский алфавит