Detection of oral mucosa lesions based on artificial intelligence technologies: review of the subject area


Cite item

Full Text

Abstract

Artificial intelligence (AI) plays a significant role in the development of healthcare, and it is a promising tool for achieving future goals. This article examines the role of AI in diagnosing diseases of the oral mucosa (OM), predicting their outcomes, and developing personalized treatment strategies. Special attention is given to how AI can accelerate decision-making, reduce errors, and improve the accuracy and consistency of treatments. Additionally, the article discusses the existing challenges and ethical issues that require systematic approaches and legal regulations. The review also includes an analysis of recent research on using AI for diagnosing various benign and malignant OM diseases, highlighting the potential of this technology to improve dental care. The analysis is supported by literature from Cyberleninka and PubMed.

Full Text

Актуальность. Плоскоклеточный рак полости рта (ПКРПР) является шестым по распространенности злокачественным новообразованием в мире. Естественно, что раннее выявление и лечение этого заболевания имеют важное значение для благоприятного прогноза пациентов [1-5]. Одной из причин роста заболеваемости ПКРПР является низкий уровень онкологической настороженности у врачей-стоматологов первичного звена, что ухудшает диагностику на этапе предраковых расстройств [6-8]. Онконастороженность врача также влияет на возможность трактовки результатов методов диагностики [9].

В целом, врачи-стоматологи правильно дифференцируют доброкачественные поражения и аномалии от потенциально злокачественных (t = –17,0; p < 0,001). Однако специалистов, обладающих необходимыми навыками, в отрасли относительно мало, что увеличивает время поиска квалифицированного эксперта и зачастую приводит к тому, что пациенты обращаются уже на поздних или запущенных стадиях заболевания. Эффективность распознавания потенциально злокачественных заболеваний слизистой оболочки рта (СОР) не связана ни с полом, ни со стажем работы, ни с позицией заведования отделением, ни с квалификационной категорией, ни с учёной степенью специалистов [10]. Однако без специально разработанных средств скрининга такой патологии этот процесс ресурсозатратен и непрост. В стоматологической практике представлен широкий спектр методов в диагностике онкогенных изменений СОР [11]. Наиболее часто используются визуальный и визуально-инструментальный методы, а также применяются цитологические и гистологические методы, методики витального окрашивания, стоматоскопия, биомикроскопия [12]. Иммуногистохимическая диагностика позволяет достаточно хорошо провести дифференцировку новообразований для выявления экспрессии маркера пролиферации Ki-67, маркера апоптотической активности Р53 и белков клеточной адгезии. Используются также оптическая когерентная томография, аутофлуоресцентный осмотр очагов поражения, широко применяется техника прямой визуализации флуоресценции тканей рта с использованием аппарата «VELscope Vx Enhanced Oral Assessment System» [13-18]. Однако отсутствие точных маркеров малигнизации оставляет биопсию наиболее надежной процедурой для оценки риска трансформации в злокачественную опухоль [19, 20].

Обзор предметной области сформирован на основе анализа литературы баз данных Киберленинка и Pubmed. Поиск источников проводился по ключевым словам данной статьи.

Полученные результаты и их обсуждение. В силу малой плотности населения, особенно в азиатской части России и значительной распространенности рака полости рта, актуальным представляется использование для развития телестоматологии возможностей информационно-коммуникационных технологий (ИКТ). В.М.Леванов с соавт. (2021) выделяют несколько направлений применения ИКТ в стоматологии: в формате общения «врач – врач» – для диагностики заболеваний, выбора оптимального метода лечения; в формате «пациент – врач» – для решения профилактических, диагностических, организационных вопросов, дистанционного наблюдения [21]. Исследование А.А.Калининской и коллег о готовности к использованию данной технологии показало, что среди студентов и пациентов приоритетны телеконсультации (73,8–83,8%), а среди медицинского персонала — образовательные мероприятия (90,2%). При этом от 75 до 90% врачей и студентов хотели бы получить дополнительные знания о телемедицинских технологиях и использовать их в своей работе [22]. Д.С. Тишков (2020) в работе сообщает о внедрении модели искусственного интеллекта (ИИ) на кафедре терапевтической стоматологии для повышения онконастороженности среди преподавателей, врачей последипломного образования и студентов. После внедрения данной программы испытуемые отметили эффективное освоение преимуществ ИИ в сборе данных о пациентах, методах онкоскрининга и проведении специальных тестов [23].

В последние годы технологии искусственного интеллекта приобрели широкое распространение в сфере диагностики заболеваний. Благодаря скорости и высокой точности решений, возможностям обработки больших объемов данных, ИИ стал незаменимым инструментом в системе современных медицинских исследований и практики. Ш.Х.Ганцев и М.В.Франц (2018) считают, что использование интеллектуальных программ для поддержки принятия врачебных решений в задачах скрининга возможно в двух аспектах: (а) распознавание образов на основании сформированной базы данных изображений c последующим машинным обучением для диагностики или прогноза результата лечения в зависимости от характеристик пациента; (б) создание экспертных систем, на основе базы знаний специалиста, имитирующих его логику принятия решений. В данной работе нейросеть корректно идентифицировала 92,4% опухолей на тестовом наборе слайдов, а патологоанатом ‒ 73,3% [24]. Такие показатели свидетельствуют о перспективах использования ИИ в клинической практике, особенно для автоматизации и повышения точности диагностики.

Обученные нейросети в настоящее время демонстрируют результат не уступающий возможностям человека в области анализа медицинских изображений, что делает их ценным инструментом в клинической практике. В связи с широким применением искусственного интеллекта в диагностике и лечении патологий, возникает острая необходимость в проведении дополнительных исследований, направленных на создание интегрированных систем. Такие системы могли бы объединить различные алгоритмы искусственного интеллекта в единую платформу, обеспечивающую комплексную поддержку врачам на всем этапе — от первичной диагностики, через подбор оптимальных методов лечения, до оценки прогноза и мониторинга эффективности терапевтических процедур. Внедрение подобного подхода позволит повысить точность и ускорить процесс принятия решений, а также снизить вероятность ошибок, связанных с человеческим фактором, что в конечном итоге улучшит качество медицинского обслуживания пациентов и повысит эффективность лечебных мероприятий. Sadhurya и соавт. (2021) отмечают высокие показатели валидности в использовании ИИ для распознавания образов в процессе диагностики [25].

Использование данной методологии дает возможность проводить диагностику на базе мобильных устройств с возможностью оперативных решений, что способствует повышению эффективности выявления массовых случаев заболевания и информирования о факторах риска в секторе первичной медико-санитарной помощи [26]. D.G.Thiem с соавт. (2021) предлагают модель гиперспектральной визуализации, позволяющей обрабатывать изображения тканей СОР с использованием методов обучения и служить репрезентативным эталоном для будущей оценки патологических изменений полости рта. Глубокая нейронная сеть различала типы тканей с точностью более 80% и классифицировала их [27]. Эти разработки открывают возможности для более точного и объективного определения изменений тканей, что является важным аспектом для диагностики и дифференциальной диагностики злокачественных и доброкачественных процессов.

Абсолютной необходимостью при диагностике патологии СОР является микроскопирование. Традиционно для этого используют световые микроскопы, исследуя на предметных стеклах окрашенные образцы тканей, что позволяет выявлять структурные изменения клеток. Существенным недостатком традиционной морфологической диагностики являются субъективность интерпретаций и различия в оценках между специалистами. Для увеличения надежности диагностики заболеваний СОР весьма важно внедрить инструменты ИИ в эту область. Модели глубокого обучения, особенно сверточные (конволюционные) нейронные сети могут обрабатывать и интерпретировать сложные визуальные данные, обнаруживая мельчайшие изменения, которые могут указывать на присутствие раковых клеток.

Эти модели обучаются на больших наборах данных маркированных изображений, что позволяет им различать злокачественные и доброкачественные ткани. Такая возможность жизненно важна в гистопатологии, где ранние признаки рака могут быть едва заметными и легко упускаемыми из виду [28]. После накопления значительного количества гистологических данных по СОР в диагностически и демографически разных группах обследуемых, следующим этапом внедрения ИИ в стоматологический онкоскрининг является машинное обучение [24]. В исследованиях был использован набор данных, состоящий из 360 клинических изображений опухолей, потенциально злокачественных образований и клинически здоровой СОР. После машинного обучения на базе этих клинических изображений на тестовом наборе данных чувствительность составила 88,9%, а специфичность - 75% [29-31]. Этот подход особенно ценен в сценариях высокопроизводительного скрининга, где необходимо быстро оценить большое количество изображений. Алгоритмы искусственного интеллекта могут сортировать эти изображения, выделяя те, которые требуют дальнейшего изучения специалистом. Это не только оптимизирует рабочий процесс в медицинской и стоматологической практике, но и гарантирует, что ни один потенциальный случай не будет упущен из виду из-за человеческой ошибки или усталости.

В исследовании Kouketsu и соавт. (2024) было использовано 1043 изображения, полученных от 424 пациентов с ПКРПР, лейкоплакией и другими заболеваниями СОР. Модель была обучена с использованием 523 изображений РПР, а ее эффективность оценивалась с использованием изображений РПР (n = 66), лейкоплакии (n = 49) и других заболеваний СОР (n = 405). При выявлении только ПКРПР из общей группы патологий модель показала чувствительность 93,9% и специфичность 81,2% [32].

Ferro и соавт. (2022) обсуждают использование МО в дифференциальной диагностике потенциально злокачественных и злокачественных образований СОР на примере клинических изображений, полученных с помощью фотографии, оптической визуализации, тепловизионной съемки и анализа органических соединений. Диагностическая эффективность решений во всех исследованиях была очень высока (площадь под ROC-кривой 0,935), а различий в эффективности диагностики между способами получения изображений выявлено не было [33]. Можно констатировать, что с помощью МО удается достичь весьма высокой точности классификации. Кроме того, ИИ может интегрировать данные из нескольких источников для повышения эффективности обнаружения и классификации поражений. Например, сочетание анализа изображений с данными из истории болезни пациента, генетической информацией и другими диагностическими признаками может улучшить общую оценку и обеспечить более полное понимание состояния пациента [34].

Свою нишу в использовании ИИ в стоматологическом онкоскрининге занимают экспертные системы [24]. Их задачами могут стать опрос пациента, определение группы риска и обоснованное решение о тактике ведения на основании полученных данных. В качестве вспомогательных методик для повышения точности скрининга состояния СОР можно использовать алгоритмы и систему логических операторов в среде MATLAB [35].

Стоит отметить, что объем выборки данных, используемый для обучения и оценки модели ИИ, может существенно влиять на ее производительность и стабильность решений в меняющихся условиях. Модели искусственного интеллекта, обученные на небольших наборах данных, могут работать не так хорошо при появлении новых данных, что ограничивает их полезность в реальных клинических условиях. Кроме того, качество, доступность и согласованность данных, используемых в этих исследованиях, создают серьезные проблемы.

Перспективы и возможности использования инструментов искусственного интеллекта.

Несмотря на перспективность использования ИИ, для его широкого внедрения в практическую медицину нужно решить ряд задач, в т.ч. технические проблемы, финансовое обеспечение, этические и юридические вопросы, организационные факторы. Тем не менее, респонденты исследования [36] положительно отнеслись к использованию ИИ в стоматологии, 70,3% согласились с необходимостью этого. В настоящее время чаще всего инструменты ИИ используются для диагностической поддержки и решения административных задач. Часто виртуальные ассистенты на базе ИИ могут выполнять задачи, для решения которых требуется несколько специалистов. В первую очередь, это относится к текущим задачам: запись на прием, оповещение о профилактических осмотрах, помощь в постановке клинического диагноза и составлении плана лечения. ИИ в состоянии отслеживать и оптимизировать встречи с пациентами, планировать незавершенное лечение и запускать маркетинговые кампании для новых пациентов [37]. Что касается общих запросов пациентов, то простые вопросы могут быть легко обработаны ИИ, а более сложные вопросы направлены специалисту для дальнейшей обработки.

Если ИИ периодически мониторирует электронную медицинскую карту пациента, то медицинский персонал может получить детализированную информацию о состоянии здоровья пациента, что снижает нагрузку на систему здравоохранения. Эта нагрузка будет еще меньше благодаря внедрению технологии распознавания голоса и применению программ для извлечения информации из сканированных документов, что позволит медицинским работникам обрабатывать больше данных [38].

Этические проблемы использования технологий искусственного интеллекта.

С учетом быстрого внедрения инструментов ИИ в стоматологию и здравоохранение в целом, возникает вопрос о допустимости и этичности их использования для решения разных задач. Несомненно, система ИИ должна быть одобрена регулирующими органами до ввода в эксплуатацию, но этичность вариантов использования это не гарантирует. Важнее то, что клиницисты должны быть обучены использованию ИИ и постоянно контролировать результаты работы системы для своих пациентов. Использование системы ИИ в качестве основного диагностического инструмента представляет собой некорректное и неэтичное поведение, может повлечь за собой юридическую ответственность врача [39]. Стоматологи продолжают нести ответственность за ведение пациентов, что подразумевает получение необходимых навыков этичной и правовой интеграции ИИ в стоматологическую практику.

На данный момент имеется мало опыта в отношении эксплуатационных характеристик систем на основе ИИ для оказания стоматологической помощи в клинических условиях [40]. Непрерывный мониторинг возможных нежелательных эффектов после внедрения таких систем должен сопровождаться протоколированием управления рисками для определения причин и реализации корректирующих действий [41].

Для надежного хранения данных пациентов инструменты ИИ должны обеспечивать прозрачность и строгий контроль управления данными. Крайне важно информировать пациентов о дальнейшей обработке их данных, собранных системой ИИ, поскольку некоторые приложения могут поставить под угрозу конфиденциальность пациента, передавая данные не только врачу, но и третьим лицам [39]. Для врача законодательством предусмотрены обязанности по соблюдению конфиденциальности информации, но члены семьи или друзья не несут таких юридических обязательств [42, 43]. Кроме того, пациентов необходимо информировать, если есть сомнения, что система ИИ используется с возникновением конфликта интересов. Коммерциализация разработанного приложения с ИИ может поставить под угрозу клинические соображения стоматолога при принятии решений [44]. Пациенты должны знать, используется ли система ИИ в качестве врачебной поддержки, либо является основным инструментом принятия решений. Это может иметь решающее значение для подписания пациентом информированного согласия на участие в исследовании.

Выводы. Таким образом, самыми многообещающими в ближайшее время могут стать диагностические возможности ИИ на основе анализа изображений - как в стоматологии, так и в здравоохранении в целом. Расширение сферы реального использования ИИ на другие аспекты лечебно-диагностического процесса – дело среднесрочной перспективы. При этом, основой любого варианта использования ИИ в здравоохранении должна быть четкая регламентация юридических и этических аспектов взаимодействия человеческого и искусственного интеллектов.

×

About the authors

Diana Garayeva

KSMA is a branch of the Russian Medical Academy of Continuous Professional Education of the Russian Ministry of Health

Author for correspondence.
Email: Dr.dianagaraeva@gmail.com
Russian Federation, 420012, Russia, Kazan, Butlerova Street, 36.

Liubov Rustemovna Mukhamedzhanova

KSMA is a branch of the Russian Medical Academy of Continuous Professional Education of the Russian Ministry of Health

Email: lr71@bk.ru

MD, Professor, Head of the Department of Therapeutic, Pediatric Dentistry, and Orthodontics

Russian Federation, 420012, Russia, Kazan, Butlerova Street, 36.

Sergei Josephovich Karas

Research Institute of Cardiology of the Tomsk Research Center of the Russian Academy of Sciences

Email: karkar13@mail.ru

Doctor of Medical Sciences, Associate Professor, Specialist at the Research Institute of Cardiology

Russian Federation, 634012, Russia, Tomsk, Kievskaya Street, 111a.

Albert Anvarovich Gayfullin

XINKS LLC

Email: gayfullin.lex@gmail.com

general manager

Russian Federation, 420015, Russia, Kazan, Gorky Street, 3B.

Adele Fidailevich Bariyev

XINKS LLC

Email: a.bariev@icloud.com

First Deputy Director General

Russian Federation, 420015, Russia, Kazan, Gorky Street, 3B.

References

  1. Iocca O, Sollecito TP, Alawi F, Weinstein GS, Newman JG, De Virgilio A et al. Potentially malignant disorders of the oral cavity and oral dysplasia: A systematic review and meta-analysis of malignant transformation rate by subtype. Head & Neck. 2020; 42: 539–555. https://doi.org/10.1002/hed.26006
  2. Caruntu A, & Caruntu C. Recent Advances in Oral Squamous Cell Carcinoma. Journal of Clinical Medicine. 2022; 11(21): 6406. https://doi.org/10.3390/jcm11216406
  3. Monica K, Hannah R, Gheena S, Ramani P, Abhilasha R. Correlation of site of occurrence of oral squamous cell carcinoma and level of lymph node metastasis. Int J Curr Res Rev. 2020; 12:42-46. https://doi.org/10.31782/IJCRR.2020.122505
  4. Warnakulasuriya S, Kujan O, Aguirre-Urizar JM, Bagan JV, González-Moles MA, Kerr AR et al.: Oral potentially malignant disorders: a consensus report from an international seminar on nomenclature and classification, convened by the WHO Collaborating Centre for Oral Cancer. Oral Dis. 2021, 27:1862-80. https://doi.org/10.1111/odi.13704
  5. Thamilselvan S, Ramasubramanian A, Ramani P, Sukumaran G, Ravikumar H. Analysis of incidence of clinically diagnosed oral leukoplakia patients undergoing incisional biopsy using certainty factor: an institutional study. World J Dent. 2022; 13:594-599. https://doi.org/10.5005/jp-journals-10015-2104
  6. Рыхлевич А.А., Сандаков Я.П. Злокачественные и потенциально злокачественные заболевания полости рта, проблемы и методы их обнаружения (обзор). Проблемы стандартизации в здравоохранении. 2021; 9-10:26-33. https://doi.org/10.26347/1607-2502202109-10026-033.
  7. Ахмадова М.А., Сойхер М.И., Чуянова Е.Ю. Онконастороженность в практике врача-стоматолога. Медицинский алфавит. 2016; 9: 6-9. https://cyberleninka.ru/article/n/onkonastorozhennost-v-praktike-vracha-stomatologa
  8. Кочубей А.В., Вергазова Э.К. Порядок направления пациентов и финансовое обеспечение высокотехнологичной медицинской помощи. Здравоохранение. 2012; 8: 68-73.
  9. Янушевич О.О. с соавт. Стоматологическая заболеваемость населения России. Заболевания пародонта и слизистой оболочки рта. Янушевич О.О., Кузьмина Э.М., Кузьмина И.Н. [и др.]. Москва: Московский государственный медико-стома- тологический университет. 2009; 228 c.
  10. Рыхлевич А.А., Сандаков Я.П., Кочубей А.В., Кочубей В.В. Готовность врачей-стоматологов к применению метода аутофлуоресценции. Acta Biomedica Scientifica. 2021; 4: 192-201.
  11. Межевикина Г.С., Глухова Е.А. Современные методы диагностики предраковых и раковых изменений слизистой оболочки рта. Наука молодых (Eruditio Juvenium). 2018; 6(4):600-606. doi: 10.23888/HMJ201864600-606.
  12. Гончарова Е.И., Спицына В.И. Клинические аспекты предрака слизистой оболочки рта и красной каймы губ, повышение эффективности диагностики и лечения. Российский стоматологический журнал. 2008; 4: 10 -14.
  13. Ивина А.А., Бабиченко И.И., Рабинович О.Ф., Тогонидзе А.А. Белки Ki-67 и клаудин-1 при гиперплазии, плоскоклеточной внутриэпителиальной неоплазии и плоскоклеточном раке слизистой оболочки рта. Стоматология. 2014; 1: 31-33.
  14. Рабинович О.Ф., Бабиченко И.И., Рабинович И.М.,Тогонидзе А.А. Методы комплексной диагностики лейкоплакии слизистой оболочки рта. Стоматология. 2014; 5: 19-22.
  15. Гладкова Н.Д., Масленникова А.В., Балалаева И.В. Возможности оптической когерентной томографии в диагностике мукозита у больных раком полости рта и глотки в процессе лучевого и химиолучевого лечения. Вопросы онкологии. 2006; 52(4): 443-446.
  16. Крихели Н.И.,Позднякова Т.И.,Булгакова Н.И., Прокудина Е.Ю. Результаты аутофлюоресцентной стоматоскопии плоского лищая как скринингового метода выявления предраковых и раковых изменений слизистой оболочки рта // Российская стоматология. 2016. No4. С. 13-17. https://doi.org/10.17116/rosstomat20169413-17
  17. Giovannacci I, Magnoni C, Vescovi P, Painelli A, Tarentini E, Meleti M. Which are the main fluorophores in skin and oral mucosa? A review with emphasis on clinical applica- tions of tissue autofluorescence. Arch Oral Biol. 2019; 105: 89—98. https://doi.org/10.1016/j.archoralbio.2019.07.001;
  18. Maeda K, Suzuki T, Ooyama Y, Nakakuki K, Yamashiro M, Okada N, et al. Colorimetric analysis of unstained lesions surrounding oral squamous cell carcinomas and oral potentially malignant disorders using iodine. Int J Oral Maxillofac Surg. 2010; 39 (5): 486—92. https://doi.org/10.1016/j.ijom.2009.11.001
  19. Лаптев П.И., Воложин А.И. Диагностика и лечение предраков красной каймы губы и слизистой оболочки органов полости рта. Российский стоматологический журнал. 2004; 4: 13-15.
  20. Walsh T, Macey R, Kerr AR, Lingen MW, Ogden GR, Warnakulasuriya S. Diagnostic tests for oral cancer and potentially malignant disorders in patients presenting with clinically evident lesions. Cochrane Database Syst Rev. 2021; 7: CD010276. https://doi.org/10.1002/ 14651858.CD010276.pub3
  21. Леванов В.М., Голуб Е.А., Агашина А.И., Гаврилова Е.П. Состояние и перспективы применения информационных и телекоммуникационных технологий в стоматологии. Журнал телемедицины и электронного здравоохранения. 2021; 7(1):39-48. https://doi.org/10.29188/2542-2413-2021-7-1-39-48
  22. Калининская А.А., Морозова Я.В., Терентьева Д.С. Социологические аспекты внедрения информационно-телекоммуникационных технологий в стоматологии. Исследования и практика в медицине. 2017; 4(4): 149-155. https://doi.org/10.17709/2409-2231-2017-4-4-16
  23. Тишков Д.С. Внедрение глобального обучения и межкультурных знаний и компетенций в практике врача стоматолога для повышения онконастороженности. Азимут научных исследований: педагогика и психология. 2020; 4(33): 237-240. https://doi.org/10.26140/anip-2020-0904-0052
  24. Ганцев Ш.Х.., Франц М.В. Искусственный интеллект как инструмент поддержки в принятии решений по диагностике онкологических заболеваний. Медицинский вестник Башкортостана. 2018; 13(4): 67-71.
  25. Sadhurya MD, Kannan A, Anuradha G, Krithika CL. Role of artificial intelligence in diagnosis of oral cancer: narrative review. Nat. Volatiles & Essent. Oils. 2021; 8(5): 9196-9202.
  26. Sunny S, Baby A, James BL, Balaji D, Rana MH, Kuriakose MA. A smart tele-cytology point-of-care platform for oral cancer screening. PloS one. 2019; 14(11): e0224885.
  27. Thiem DGE, Römer P, Gielisch M, Al-Nawas B, Schlüter M, Plaß B, et al. Hyperspectral imaging and artificial intelligence to detect oral malignancy. Automated tissue classification of oral muscle, fat and mucosa using a light-weight 6-layer deep neural network. Head Face Med. 2021;17(1):38. https://doi.org/10.1186/s13005-021-00292-0
  28. Pereira-Prado V, Martins-Silveira F, Sicco E, Hochmann J, Isiordia-Espinoza MA, Gonzalez RG et al. Artificial intelligence for image analysis in oral squamous cell carcinoma: A review. Diagnostics. 2023; 13: 2416. https://doi.org/10.3390/diagnostics13142416
  29. Krishna AB, Tanveer A, Bhagirath PV, Gannepalli A. Role of artificial intelligence in diagnostic oral pathology - a modern approach. J Oral Maxillofac Pathol. 2020; 24:152-156. https://doi.org/10.4103/jomfp.JOMFP_215_19
  30. Tanriver G, Soluk Tekkesin M, Ergen O. Automated detection and classification of oral lesions using deep learning to detect oral potentially malignant disorders. Cancers (Basel). 2021; 13: 10.3390/cancers13112766.
  31. Dinesh Y, Karthikeyan R, Pratibha R, Ramya MD. Machine Learning in the Detection of Oral Lesions With Clinical Intraoral Images. Cureus. 2023; 15(8): e44018. https://doi.org/10.7759/cureus.44018
  32. Kouketsu A, Doi C, Tanaka H, Araki T, Nakayama R, Toyooka T, Hiyama S, Iikubo M, Osaka K, Sasaki K, Nagai H, Sugiura T, Yamauchi K, Kuroda K, Yanagisawa Y, Miyashita H, Kajita T, Iwama R, Kurobane T, Takahashi T. Detection of oral cancer and oral potentially malignant disorders using artificial intelligence-based image analysis. Head Neck. 2024 Jun 11. https://doi.org/10.1002/hed.27843
  33. Ferro A, Kotecha S & Fan K. Machine learning in point-of-care automated classification of oral potentially malignant and malignant disorders: a systematic review and meta-analysis. Sci Rep. 2022; 12: 13797. https://doi.org/10.1038/s41598-022-17489-1
  34. Sharma N, Om H. Hybrid framework using data mining techniques for early detection and prevention of oral cancer. Int. J. Adv. Intell. Paradigms. 2017; 9(5-6): 604-622 https://doi.org/10.1504/IJAIP.2017.088153
  35. Бурдо Г.Б., Семенов Н.А., Лебедев С.Н., Лебедева Ю.В. Интеллектуальная поддержка принятия решений в экспертных системах при диагностике заболеваний полости рта. Программные продукты и системы/Software&Systems. 2021; 3(34): https://doi.org 10.15827/0236-235X.135.484-488
  36. Parthasarathy R.P., Patil S R, Dawasaz A, et al. Unlocking the Potential: Investigating Dental Practitioners’ Willingness to Embrace Artificial Intelligence in Dental Practice. Cureus. 2024; 16(2): e55107. https://doi.org/10.7759/cureus.55107
  37. Gupta S. The future of artificial intelligence in dentistry. Healthcare in America. 2018. https://healthcareinamerica.us/the-future-of-artificial-intelligence-in-dentistry-114e04fc4e8f Accessed May 15, 2020.
  38. Tariq S, Gupta N, Gupta P, Sharma A. Artificial Intelligence in Public Health Dentistry. Int Healthc Res J. 2021;5(9):RV1-RV5. https://doi.org/10.26440/IHRJ/0509.12489
  39. Лапина М.А. Организационно-правовые и финансовые аспекты цифровизации и внедрения технологий искусственного интеллекта в области здравоохранения. Финансы: теория и практика. 2022; 26(3):169-185. https://doi.org/10.26794/2587-5671-2022-26-3-169-185
  40. Мохова А.О., Геращенко С.М. Обзор методов и алгоритмов, применяемых в системах искусственного интеллекта для поддержки принятия врачебных решений при инструментальной диагностике в стоматологии. Измерение. Мониторинг. Управление. Контроль. 2025; 2: 115-125. https://doi.org/10.21685/2307-55382025-2-14
  41. Шанина А.Ю. Применение искусственного интеллекта в стоматологии. Международный научно-исследовательский журнал. 2023; 6(132). https://doi.org/10.23670/IRJ.2023.132.40
  42. Волченко А.В., Когтева А.Н., Тимохина Г.В. Искусственный интеллект в медицине: проблемы кибербезопасности и этические аспекты. Вестник экономики, права и социологии. 2025; 2: 139-144. https://doi.org/10.24412/1998-5533-2025-2-139-144
  43. Климан Ю.А. Правовые проблемы применения искусственного интеллекта в сфере здравоохранения. Теория и практика общественного развития. 2024; 11: 237-243. https://doi.org/10.24158/tipor.2024.11.28
  44. Шутова А.А., Бегишев И.Р. Этические принципы создания и применения технологий искусственного интеллекта в здравоохранении. Правоприменение. 2024; 8(1):34-43. https://doi.org/10.52468/2542-1514.2024.8(1).34-43

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies