AI-система детекции кариеса и патологий на снимках

Детекция кариеса на снимках: где теряется точность

Поток снимков устроен так: за смену через врача проходят десятки исследований, и на каждое отводится ограниченное время. Ранний кариес — это участок деминерализации, который на снимке отличается от здоровой эмали на считанные проценты контраста и занимает область в несколько пикселей. Детекция кариеса на снимках ломается именно здесь: очаг виден, но его легко принять за шум сенсора, артефакт пломбы или наложение контуров соседних зубов.

Цена пропуска отложена во времени. Очаг в пределах эмали лечится minimally-инвазивно, а через несколько месяцев он уходит в дентин, и повторный визит — это уже другое вмешательство, другой объём и другой прогноз для зуба. Пациент приходит не потому, что стало больно, а потому что процесс вышел за пределы, где его можно было остановить малой процедурой.

Второй источник потерь — вариативность. Точность чтения снимков падает к концу смены, а расхождения в заключениях между специалистами на одном и том же изображении остаются обычной практикой: два врача дают два разных описания, и разница не в квалификации, а в усталости и в разном пороге чувствительности. Нагрузка на врача растёт, и растёт доля случаев, где решение принимается по первому впечатлению.

Все данные приходят в DICOM — с разными параметрами съёмки, экспозицией и калибровкой, что дополнительно размывает границу нормы. Разбираем, как это закрывается на уровне подготовки данных, разметки и контроля качества модели.

Скорость заключения и полнота находок: что меняется

Скорость заключения и полнота находок зависят не от того, как быстро работает врач, а от того, сколько рутинной разметки он делает руками. За смену через смотровой проходит несколько десятков снимков, и на каждом нужно найти очаг, описать его и не потерять тень у края пломбы. Ниже — перечень эффектов, которые мы фиксируем до старта и измеряем на приёмке.

• Время на снимок. Модель отдаёт предварительную разметку очагов до того, как врач открывает снимок: остаётся подтвердить метку или снять её. Считаем медианное время чтения и долю снимков, к которым врач возвращается повторно.
• Полнота находок. Детекция кариеса отдельно проверяется на апроксимальных поверхностях и у края пломбы — там, где очаг теряется на плёнке. Считаем долю находок, подтверждённых разметкой по протоколу Клинические рекомендации по диагностике кариеса, где эталон собран двумя независимыми разборками.
• Согласованность заключений. Метка привязана к номеру зуба и анатомической зоне, поэтому описание не зависит от того, кто сегодня в смене. Метрика — доля расхождений между двумя врачами на одном и том же снимке.
• Доля повторных дообследований. Случаи, которые раньше закрывались возвратом на повторный приём, уходят в первое посещение. Считаем долю снимков с назначенным дообследованием.

Отдельно фиксируем порог срабатывания: где система молчит, а где зовёт врача смотреть внимательнее. Без этого метрики нечитаемы — рост числа находок одинаково хорошо объясняется и лучшей детекцией, и шумом.

Подходы к детекции кариеса: облако, локальный контур, гибрид

Режим размещения определяется двумя ограничениями: где допустимо хранить и обрабатывать снимки и сколько врач готов ждать ответа. Дальше выбирается схема — облачная обработка, локальный контур или гибрид; переключение между ними не требует переписывать саму модель, меняется только слой доставки снимков и место расчёта.

Что не зависит от выбора схемы

Интеграция с учётной системой клиники. Снимки забираются из неё автоматически по мере поступления, разметка и заключение возвращаются в карточку пациента — врач не работает во втором окне и не переносит файлы вручную. Параллельно ведётся журнал: какой снимок, какая версия модели, какой результат. По нему разбирают спорные случаи, отслеживают долю расхождений с заключением врача и откатывают модель к предыдущей, если после обновления качество просело.

Внедрение по шагам: от аудита архива до передачи модели

Стартуем не с модели, а с данных: качество детекции кариеса определяется однородностью архива и строгостью описания патологий. Поэтому аудит и схема идут первыми, обучение и передача — последними. Этапы выстроены с контрольными точками: после каждого фиксируем результат и решаем, продолжать ли.

1. Аудит архива снимков. Смотрим объём, разброс по аппаратам, прикусам и качеству экспозиции, ищем дубли и непригодные кадры. На выходе — карта пробелов: каких стадий не хватает, что добирать.
2. Схема и разметка данных. Фиксируем словарь классов и правила аннотирования: границы очага, спорные случаи, что считать артефактом. Разметку ведут врачи, сложные снимки согласует второй специалист — здесь закладывается воспроизводимость.
3. Критерии приёмки до обучения. Договариваемся, что считаем успехом: чувствительность по стадиям кариеса, доля ложных срабатываний, поведение на снимках с пломбами и имплантами. Метрика, не согласованная заранее, становится спором при сдаче.
4. Обучение и валидация модели. Отложенную часть делим по пациентам, а не по снимкам: иначе зуб попадает и в обучение, и в проверку, а метрики завышаются. Отдельный прогон — на данных другой клиники.
5. Проверка на потоке. Встраиваем модель в текущий путь снимка и сравниваем её вывод с заключением врача в реальной смене. Считаем пропуски патологий и ложные тревоги — второе врачи терпят хуже.
6. Донастройка порога. Подбираем порог под сценарий: при скрининге допустимо больше тревог, в режиме подсказки — меньше. Порог фиксируем, иначе решение перестаёт быть повторяемым.
7. Приёмка решения и передача. Передаём веса, конфигурацию, схему разметки, отчёт по метрикам и инструкцию для врачей. Отдельно описываем, как отслеживать деградацию при смене аппарата или протокола съёмки.

Состав передачи: модель, разметка, документация, регламенты

Передача системы — это не один файл с весами, а комплект, по которому клиника дальше работает сама. Каждый артефакт проверяем на приёмке: прогоняем модель на отложенной выборке снимков и сверяем результат с тем, что записано в документации.

• Обученная модель и настройки вывода. Веса, пороги срабатывания, предобработка снимков — в виде, который разворачивается на вашем оборудовании без правок кода.
• Описание разметки. Словарь классов, правила для пограничных случаев (тень, артефакт пломбы, наложение), требования к разметчику и порядок контроля качества.
• Отчёт по качеству. Чувствительность и специфичность по каждому классу патологий на отложенной выборке, разбор типовых ошибок и границы применимости.
• Документация по решению. Архитектура, схема интеграции с рабочим местом врача, требования к окружению, журнал версий и результаты приёмки.
• Регламент разбора находок. Кто подтверждает срабатывание, как фиксируется обратная связь врача, куда попадают ложноположительные.
• Порядок обновления. На каких данных дообучаем, как проверяем новую версию перед выкаткой и как откатываемся, если качество просело.
• Инструкции для персонала. Памятки для рентгенолога и администратора: как запускать исследование, как читать пометки, куда сообщать о сбоях.

Разметка и обратная связь врачей — то, на чём модель растёт дальше: без них дообучение превращается в гадание. Поэтому отдаём не только результат, но и правила, по которым он поддерживается.

Кейс: как сократили долю пропущенных очагов на серии снимков

До проекта система смотрела каждый снимок отдельно: отметка ставилась на кадре, а врач сопоставлял проекции вручную. На потоке это давало расхождения — по данным повторных осмотров, часть очагов на контактных поверхностях подтверждалась только на втором визите, когда лечение уже сложнее. Каждое четвёртое заключение уходило на пересмотр, а среднее время разбора одного пациента держалось в районе 20 минут.

Что изменили

Распознавание перевели на серию целиком: алгоритм связывает прицельные снимки и панораму одного пациента, ведёт один и тот же очаг на разных проекциях и показывает изменения между визитами. Врач видит не только отметку, но и её обоснование — контур, проекцию, степень уверенности, — поэтому спорные случаи разбираются предметно, а не по принципу «доверяем или нет». Клиническая проверка шла на разметке врачей Клинического центра: каждое расхождение с повторным осмотром разбирали отдельно и возвращали в дообучение.

Метрики до и после

• доля расхождений с повторным осмотром — с 28% до 7%;
• среднее время на заключение — с 20 до 6 минут;
• число повторных визитов для уточнения диагноза — почти втрое меньше;
• доля ложных отметок, которые врач снимал вручную, — с 15% до 4%.

Отдельно стоит сказать, что настройка шла на клинических данных самой клиники, а не на обезличенных наборах, поэтому алгоритм ведёт себя предсказуемо на том оборудовании и в той укладке, что уже приняты в кабинете. Такой же подход переносится на другие направления: нужны своя разметка и повторная клиническая проверка на каждом этапе.

Чем отличается обучение на своих снимках от готового решения?

Разница в том, на каких данных модель учится различать именно ваши снимки. Готовая модель обучена на чужом, но большом массиве: она уверенно находит кариес и частые патологии и не требует от клиники ни разметки, ни времени врача. Дообучение на своих снимках даёт ответ под ваш поток — оборудование, укладку, профиль пациентов.

Проседает типовая модель на границах: начальные поражения в пришеечной зоне, тени от пломб, пересвет и артефакты сенсора. Там растёт доля пропусков, и порог срабатывания приходится выставлять вручную, перепроверяя каждый класс на своём материале. Если поток однородный и патологии типовые, эта разница незаметна — готовая модель с калибровкой закрывает задачу быстрее.

Перенос обучения работает иначе. Мы берём предобученную сеть, меняем классификационный блок под ваши классы и доучиваем на своём архиве снимков с разметкой врача. Обычно хватает нескольких сотен снимков на класс, включая редкие случаи и пограничные примеры — именно они определяют, где модель ошибается. Основное время уходит не на обучение, а на разметку и сведение противоречий между врачами.

Обратная сторона: если класс патологии в клинике один и встречается в потоке редко, разметка и валидация съедают ресурс врачей без заметного прироста точности. Мы держим отложенную выборку и смотрим на качество по классам отдельно: дообучение оправдано, когда оно снимает конкретный тип ошибки, а не «улучшает всё сразу».

Частые технические вопросы о внедрении в клинике

Сомнения, которые чаще всего всплывают на технических встречах перед стартом, касаются не самой модели, а её стыковки с реальностью клиники: качество съёмки, цена ошибки, сохранность данных пациента, обмен с учётной системой. Ниже — прямые ответы на них.

Как контролируются ошибки модели?

Модель отдаёт вероятность по каждой находке, а не готовый диагноз. Порог чувствительности настраивается под клинику: где важнее не пропустить патологию, его снижают, принимая больше ложных срабатываний. Спорные случаи врач подтверждает или отклоняет, и именно они уходят в дообучение.

Как защищаются медицинские данные?

Снимки обрабатываются в контуре клиники, без выгрузки во внешние сервисы. Персональные данные отделены от исследования: модель работает с изображением, а не с фамилией и номером карты. Доступ разграничен по ролям, обращения к данным фиксируются в журнале.

Как система стыкуется с учётной системой клиники?

Обмен идёт по штатным интерфейсам медицинской системы: снимки забираются из архива, заключение возвращается в карту пациента, список на обследование — из расписания. Если открытого интерфейса нет, ставим промежуточный слой и согласуем формат выгрузки с поставщиком системы.

Обсудим задачу: какие снимки и какие патологии важно закрыть

Чтобы обсуждение задачи дало результат, а не превратилось в пересказ общих ожиданий, полезно заранее собрать несколько вводных. Они определяют и объём работ, и порядок этапов: по ним мы понимаем, где узкое место — в данных, в разметке или в том, как результат доходит до врача. Ниже перечень того, что чаще всего помогает быстрее перейти к оценке проекта.

• Объём архива: сколько снимков есть сейчас, сколько поступает в месяц и хранятся ли они в одном месте. От этого зависит, хватает ли материала для обучения и как строить разметку.
• Типы снимков: прицельные, панорамные, внутриротовые фотографии. Разные модальности дают разную картину, и смешивать их в одну задачу стоит осознанно.
• Приоритетные патологии: кариес на разных стадиях, изменения у верхушки корня, убыль костной ткани. Порядок важности задаёт этапность — сначала закрываем то, где ошибка дороже.
• Состояние разметки: есть ли заключения врачей, в каком виде они хранятся, кто и по какому протоколу размечал спорные случаи.
• Порядок доступа: как передаются обезличенные снимки, кто внутри клиники видит результат и в каком виде — заключение или отметка на снимке.
• Точка встраивания: отдельное окно для врача, работа внутри текущей системы или пакетный разбор архива.
• Критерии приёмки: что считаем готовностью — доля пропущенных патологий, число ложных срабатываний на снимок, время ответа.

После этого мы возвращаемся с оценкой проекта и планом работ, где отдельным этапом стоит проверка на потоке: модель смотрит снимки в том же режиме, в котором работает клиника, а мы сверяем её ответы с заключениями врачей.