СУЧАСНА КОНЦЕПЦІЯ ВІЗУАЛІЗАЦІЇ ДИСФУНКЦІЙ СКРОНЕВО-НИЖНЬОЩЕЛЕПОВОГО СУГЛОБУ З ЕЛЕМЕНТАМИ ІНТЕГРАЦІЇ ШТУЧНОГО ІНТЕЛЕКТУ

Анотація

Вступ. Шлях до інтеграції МРТ у повсякденну стоматологічну практику пов’язаний із подоланням викликів, пов’язаних із вартістю, доступністю та стандартизацією протоколів візуалізації. Науковці та клініцисти активно досліджують способи оптимізації МРТ для діагностики у дентомаксилофаціальній ділянці, маючи на меті підвищення якості обслуговування пацієнтів і раннє виявлення патологій. Мета дослідження . Провести огляд та аналіз наукових даних про можливість і ефективність застосування сучасних методів візуалізації розладів скронево-нижньощелепного суглобу із застосуванням елементів штучного інтелекту. Матеріали та методи дослідження. Відбір публікацій, пов’язаних із темою дослідження, здійснювали в наукових базах даних Scopus, PubMed, BVS та SciELO з використанням таких ключових слів: магнітно-резонансна томографія (МРТ), скронево – нижньощелепний суглоб (СНЩС), штучний інтелект (ШІ), патологія, візуалізація, стоматологія, щелепно-лицева ділянка (ЩЛД). До огляду включали оригінальні наукові статті, результати досліджень та офіційні рекомендації медичних асоціацій. Критерієм включення були публікації з позитивними результатами у досліджуваних групах. Зібрані матеріали аналізували відповідно до принципів контент-аналізу з подальшою систематизацією та класифікацією даних із використанням програмного забезпечення CADIMA. Результати. Новітні підходи ШІ в медицині поки не застосовувалися для оцінки СНЩС. Наприклад, візуальні трансформери – інноваційна архітектура, здатна виявляти глобальні залежності у зображеннях – можуть подолати обмеження згорткових нейронних мереж Convolutional Neural Networks (CNN) щодо локальності аналізу пікселів. Гібридизація CNN із трансформерами пропонується як спосіб покращення моделей. Лише одне дослідження згадувало трансформер, однак не наводило результатів, що варто розглянути в майбутніх роботах. У цьому систематичному огляді оцінено ефективність моделей штучного інтелекту у виявленні дисків СНЩС та діагностиці внутрішніх порушень диска на МРТ-знімках. Алгоритми ШІ продемонстрували обнадійливі результати при виявленні диска СНЩС, виросткового відростка та суглобового горбика, а також при класифікації положення диска, з точністю від 0,70 до 0,99 у порівнянні з експертами-радіологами. Проведення метааналізу було неможливим через велику гетерогенність застосованих моделей ШІ та характеристик наборів даних. Висновки. Інтеграція ШІ, зокрема глибинного навчання, у МРТ-дослідження СНЩС демонструє стабільно високі результати як інструмент допомоги в діагностиці: для сегментації структур СНЩС та класифікації положення диска. Подальші багатоцентрові дослідження з використанням різнорідних даних необхідні для підвищення валідності та можливості узагальнення результатів перед впровадженням моделей у клінічну практику.