Preventivní opatření jsou sice považována za primární způsob, jak předcházet vzniku zubního kazu a snížit výdaje na zubní péči, ale důležitá je také jeho včasná detekce, protože může snížit rozsah i cenu zubního ošetření. Zhotovení rentgenových snímků doplňuje vyšetření zrakem a sondou, které mohou být nedostatečné zejména pro odhalení počínajícího mezizubního kazu. Problém ale je, že v jejich interpretaci se zubní lékaři často rozcházejí, což prokázaly dřívější studie.
Nový výzkum, publikovaný v časopise Clinical Oral Investigations, porovnával výkon automatické metody detekce zubního kazu s výkonem sedmi zubních lékařů, třech začátečníků a čtyř zkušených odborníků. „Jejich úkolem bylo označit zubní kazy na stovce rentgenových snímků. Shoda mezi odborníky byla poměrně nízká. Ve výsledku automatická metoda, která využívá hluboké učení, konzistentně překonávala nováčky a dosahovala podobných nebo lepších výsledků než i velmi zkušení zubní lékaři,“ seznamuje s výsledky výzkumu profesor Jan Kybic, který vede katedru kybernetiky Fakulty elektrotechnické ČVUT.
S myšlenkou porovnat výsledek stávajících metod diagnostiky s hlubokým učením přišel MDDr. Antonín Tichý ze Stomatologické kliniky 1. lékařské fakulty Univerzity Karlovy a Všeobecné fakultní nemocnice v Praze a na výzkumu se podílela i MDDr. Valéria Nagyová ze stejného pracoviště.
„Na rozdíl od jiných medicínských oborů si zubní lékaři většinu rentgenových snímků zhotovují i interpretují sami. Hodnocení snímků je však do jisté míry subjektivní a může se mezi lékaři podstatně lišit, což se potvrdilo i v naší studii. V tomto směru může automatická detekce kazů založená na umělé inteligenci snížit např. riziko přehlédnutí kazu, navíc může vizualizace kazů na snímku usnadnit komunikaci lékaře s pacientem. Motivací bylo také využití ve výuce studentů zubního lékařství, které se na našem pracovišti věnujeme,” uvádí dr. Antonín Tichý.
V rámci své diplomové práce k výzkumu významně přispěl absolvent FEL ČVUT Ing. Lukáš Kunt, který z bezmála čtyř tisíc anonymizovaných rentgenových snímků s více než sedmi tisíci zubními kazy vytvořil soubor obrazových dat a neuronovou síť, která byla následně trénována na co nejpřesnější odhalování zubních kazů. Celý proces založený na nástrojích umělé inteligence zabral asi dva roky práce.
Detekce kazu automatickou metodou může pomoci studentům a výhledově i zubařům v terénu
Studie vědců z FEL ČVUT a 1. LF UK prokázaly, že automatická metoda může zlepšit přesnost i opakovatelnost detekce kazů a poskytnout tak užitečný druhý názor i zkušeným zubním lékařům.
„V radiologii je praxe taková, že se na snímky dívají dva lékaři, a pokud se neshodnou, může přijít třetí. Ale zubař v typické ordinaci tuto možnost nemá, protože je zpravidla sám, takže právě jemu by naše metoda mohla nejvíce pomoci, obzvláště pokud se jedná o začínajícího lékaře s menšími klinickými zkušenostmi,“ shrnuje prof. Jan Kybic, kde vidí největší potenciál uplatnění.
Automatická metoda založená na hlubokém učení má před sebou perspektivu uplatnění v lékařské praxi. Ing. Kunt i nadále spolupracuje s 1. lékařskou fakultou UK na vývoji uživatelského rozhraní tak, aby systém mohli využívat zubní lékaři a studenti a studentky medicíny.
„Uživatelské rozhraní je téměř připraveno k použití, nejprve však musíme otestovat, nakolik je automatická metoda pro studenty užitečnou pomůckou. To chceme zjistit tak, že porovnáme schopnost detekce zubního kazu u studentů, kteří budou mít k dispozici naši aplikaci, se studenty, kteří se učí standardními metodami, tedy formou přednášky a praktické demonstrace s dohlížejícím zubním lékařem. Dle výsledků budeme dále pokračovat v optimalizaci a implementaci aplikace do výuky. K používání zubními lékaři v terénu je cesta ještě dlouhá a bude obtížné konkurovat komerčním produktům, které mají větší časové i finanční zdroje,“ vysvětluje dr. Valéria Nagyová.
Text vychází z výzkumných článků:
Lukáš Kunt 1, Jan Kybic 2, Valéria Nagyová 3, Antonín Tichý 3
Automatic caries detection in bitewing radiographs: part I-deep learning
Antonín Tichý 1, Lukáš Kunt 2, Valéria Nagyová 1, Jan Kybic 3
Automatic caries detection in bitewing radiographs-Part II: experimental comparison