Pavol Kožienka, LF UK BA, 3. ročník
Ortodoncia je jednou zo špecializácií zubného lekárstva, ktorá sa zaoberá predovšetkým diagnostikou malooklúzie, jej prevenciou a nápravou. Ide hlavne o kraniofaciálny skelet, pričom väčší dôraz kladie na úpravu dentoalveolárnej oblasti. Presná diagnóza, plánovanie liečby a presnosť čeľustného ortopéda sa považujú za kľúč k úspechu ortodontickej liečby. V posledných niekoľkých desaťročiach sa oblasť stomatológie výrazne revolučne zmenila. Boli vyvinuté nové technológie založené na princípoch napodobňovania fungovania ľudského mozgu. Tie sú založené hlavne na technológiách umelej inteligencie (artificial intelligence (AI)). Technológiu AI možno definovať ako simuláciu ľudskej inteligencie prostredníctvom stroja, ktorý dokáže myslieť a konať racionálne. Tieto systémy založené na AI sa môžu používať pri predpovedaní diagnózy a pri plánovaní liečby.
Metódy umelej inteligencie
V súčasnosti existuje viacero podtypov umelej inteligencie, ktoré sa bežne používajú v rôznych oblastiach hlavne v biologickej a medicínskej diagnostike. Patria k nim najmä strojové učenie (ML), umelé neurónové siete (ANN), konvolučné neurónové siete (CNN) a hlboké učenie (DL). Moderné programy pre ortodonciu využívajú hlavne metódu založenú na umelej neurónovej sieti – artificial neural network (ANN). ANN sa inšpirovala biologickou neurónovou sieťou, ktorá nám pomáha vnímať svet a učiť sa z neho. Základná jednotka ANN sa nazýva umelý neurón. Umelé neurónové siete sa skladajú z viacerých vrstiev. Prvá vrstva sa nazýva vstupná vrstva a je tvorená znakmi vzorky. Medzi vstupnou vrstvou a výstupnou vrstvou môžeme navrhnúť rôzny počet vrstiev nazývaných skryté vrstvy, pričom v každej skrytej vrstve je navrhnutý rôzny počet umelých neurónov. Poslednou vrstvou je vrstva výstupná.
Do triedy umelých neurónových sietí zaraďujeme aj konvolučnú neurónovú sieť (convolutional neural network (CNN)), ktorá sa najčastejšie používa na analýzu vizuálnych snímok. Má uplatnenie v rozpoznávaní obrazu a videa, klasifikácii obrazov a analýze medicínskych obrazov. Jej veľkou výhodou je, že ak sa obrázok otočí, posunie o zopár pixelov, zošikmí alebo zmení veľkosť, tak rozpoznanie snímky a klasifikácia by mala ostať nezmenená. Konvolučná neurónová sieť má oveľa redšie neurónové spojenia, tým pádom menší počet synaptických prepojení, menšie nároky na pamäť siete a efektívnejšie výpočty.
Extrakčná alebo neextrakčná terapia pri ortodontickej liečbe
Vykonanie ortodontickej extrakcie je jedným z hlavných a zásadných rozhodnutí, ktoré majú veľký vplyv na prognózu ortodontickej liečby. Považuje sa to za rozhodujúce, pretože proces extrakcie je nezvratný. Štúdia, ktorá bola vypracovaná použila model umelej inteligencie založený na ANN. Systém nám preukázal pozoruhodné výsledky s 80% presnosťou a ukázal sa ako efektívny nástroj pri posudzovaní, či sú pred ortodontickou liečbou potrebné extrakcie. Neskôr bola vypracovaná ďalšia podobná štúdia, ktorá preukázala ešte vyššiu presnosť týchto systémov, a to až 92%. Výsledky týchto štúdií nám naznačujú, že tieto automatizované systémy založené na AI môžu byť veľmi užitočné pri klinickom rozhodovaní a môžu byť nápomocné najmä pre tých, ktorí majú menšie klinické skúsenosti.
Využitie 3D a AI technológie v ortognátnej chirurgii
Do výskumu a vývoja digitálnej ortodoncie a 3D simulácie ortognátnej chirurgie sa vložili veľké investície. Knoopsova štúdia vyvinula systém strojového učenia pre automatizovanú diagnostiku a počítačom podporované plánovanie a vizualizáciu v plastickej a rekonštrukčnej chirurgii. Predstavili rozsiahly klinický 3D morphable model (3DMM), ktorý bol skonštruovaný pomocou povrchového 3D skenovania. Model bol trénovaný s 4261 tvárami zdravých dobrovoľníkov a pacientov s ortognátnou chirurgiou. Vďaka automatizovanému spracovaniu obrazu poskytuje údaje, či by mal byť niekto odkázaný na špecialistu s 95,5% citlivosťou a 95,2% špecifickosťou. Potom môže špecialista automaticky vytvoriť 3D simuláciu pooperačných výsledkov so strednou presnosťou 1,1 ± 0,3 mm bez potreby konvenčnej časovo náročnej chirurgickej simulácie pomocou počítača. V ortognátnej chirurgii sa vykonávajú rôzne chirurgické výkony, pri ktorých sa snažíme zabezpečiť, čo najlepší estetický výsledok, ako napríklad uzatváranie rázštepov, ortodontické a ortognátne operácie. S týmito vysokými požiadavkami na estetickosť nám môžu v súčasnosti pomôcť technológie založené na umelej inteligencii. Na posúdenie úspešnosti operácie nám pomohla nedávna štúdia Patcasa a kolektívu, ktorá využila pre odhad veku model konvolučnej neurónovej siete (CNN), ktorý bol oboznámený s viac ako 0,5 miliónom obrázkov tváre. Pre predpoveď atraktivity bol model CNN trénovaný na dátach zo zoznamky s viac ako 13 000 obrázkami tváre, ktoré mali viac ako 17 miliónov pozitívnych hodnotení. Pre túto štúdiu boli zhromaždené predoperačné a pooperačné fotografie 146 ortognátných pacientov. Podľa algoritmu liečba zlepšila vzhľad u 66,4% pacientov, čo malo za následok mladšiu tvár takmer o 1 rok.
Predikcia rastu
Načasovanie je jedným z kľúčových bodov, ktoré je potrebné zohľadniť počas plánovania liečby, a to najmä u pacientov, ktorí sú v období rastu. Pre predpoveď rastu bolo navrhnutých niekoľko metód, ako je napr. chronologický vek, zmena hlasu, výšky tela a vek kostí. Zlatý štandard pre hodnotenie kostného veku sa získal pomocou röntgenových snímok zápästia. Avšak nedávna Lamparského štúdia uviedla, že čítaním štádií krčných stavcov sa dá dosiahnuť podobná presnosť predikcie rastu a súčasne zabránime aj ďalšiemu ožarovaniu pacienta. Na stanovenie štádií rastu a vývoja krčných stavcov sa použila technológia založená na AI. Štúdia uvádza, že model založený na ANN preukázal pri určovaní stupňov rastu a vývoja krčných stavcov priemernú presnosť 77,02%. Tieto výsledky boli podobné k výsledkom inej štúdie, kde si model založený na AI viedol ešte lepšie. Na základe výsledkov týchto štúdií možno automatizované systémy založené na umelej inteligencii považovať za veľmi nápomocné a bezpečné pri určovaní štádií rastu a vývoja krčných stavcov.
Záver
Za posledných niekoľko desaťročí boli vyvinuté rôzne počítačové aplikácie, ktoré by mali pomôcť zdravotníckym pracovníkom pri klinickom rozhodovaní. Tieto pokroky boli urobené, aby sa predchádzalo používaniu indexov, ktoré sú často nepresné. Preto sa v poslednej dobe začala používať technológia založená na umelej inteligencii ako systém, ktorý pomáha lekárom pri rozhodovaní. Tento model sa ukázal ako efektívny a preukázal sľubné výsledky s vysokou mierou presnosti pri predpovedaní potreby ortodontickej liečby. Výsledky rôznych štúdií naznačujú, že tieto modely môžu byť použité ako pomocný sprievodca pre menej skúsených čeľustných ortopédov pri predpovedaní potreby liečby a plánovania liečby a môžu byť užitočným nástrojom na poskytnutie sekundárneho názoru.
Zdroje:
1. https://j.tjo.org.tw/cgi/viewcontent.cgi?article=1005&context=tjo
2. https://www.sciencedirect.com/science/article/pii/S1991790220301161?fbclid=IwAR138TylOBUAusfcxbVDSyY3tpcSuji-eERKMZk6wHM_FWyShRNX_8Oglv8
