Нейронная сеть для помощи принятия клинических решений при выборе ортопедической конструкции

Обоснование. Применяемые в современной стоматологии программные возможности искусственного интеллекта способны самостоятельно подбирать ортопедические конструкции исходя из условий лечения, устанавливать диагноз по данным рентгеновского исследования и интраорального сканирования челюстей. Нейронная сеть в области машинного обучения — это математическая модель, которая работает по принципу нейронной сети живого организма и способна обрабатывать входные сигналы в соответствии с весовыми коэффициентами, пропуская их через определённое число слоёв и формируя правильный ответ на выходе, который соответствует нейрону выходного слоя с самым большим значением функции активации.

Цель — создание нейронной сети, обеспечивающей помощь в принятии клинических решений во время составления ортопедического плана лечения.

Материалы и методы. С использованием среды программирования Processing и С-подобного языка программирования создана нейронная сеть. На этапе обучения сети определялось число скрытых слоёв, подбирался коэффициент обучения и определялось количество эпох обучения. Обучение сети производилось методом обратного распространения ошибки с помощью вычисления среднеквадратической ошибки сети, обратного распространения сигнала по нейросети и корректировки весовых коэффициентов с учётом коэффициента обучения.

Входным слоем (вектором) послужили клинические условия [1, 2]: состояние полости рта; аллергоанамнез; различные проявления клинической картины (индекс разрушения поверхностей зуба, витальность зубов и т.д.). Размерность выходного слоя зависела от количества используемых конструкций и составляла 19 нейронов (протезы: бюгельный, телескопический, покрывной, пластиночный; микропротезы по типу: table-top, overlay, inlay и т.д.).

Выходным слоем являлись съёмные и несъёмные протезы, выбор которых основывался на заранее разработанном алгоритме, основанном на таких клинических условиях, как:

• состояние и количество сохранившихся зубов;
• индекс разрушения окклюзионной поверхности жевательных зубов;
• классификация кариозных полостей по Блеку;
• парафункции, аллергоанамнез [3, 4].

Результаты. Разработан алгоритм действия нейросети, в котором от врача необходимо ввести данные клинической картины после осмотра полости рта. Нейросеть, способствующая помощи в принятии клинических решений, в каждом слое проводила математические вычисления, умножая элементы входного вектора (а впоследствии — каждого слоя) на весовые коэффициенты (полученные в результате обучения нейронной сети), добавляла смещение (для попадания результатов в область вычисления функции активации), полученный результат проводился через функцию активации (Sigmoid, ReLu), выбирая выходной нейрон с самым большим результатом и прогнозируя наиболее подходящую конструкцию [5, 6].

Заключение. Таким образом, разработанная нейросеть способна предлагать клинически обоснованные варианты ортопедического плана лечения в индивидуальных ситуациях с учётом возможности применения различных видов протезов.