Почему это важно для повседневной стоматологической практики
Когда детям и молодым взрослым требуются брекеты, часто возникает проблема слишком узкой верхней челюсти. Стоматологи могут осторожно расширять верхнюю челюсть с помощью специальных приборов, но самый безопасный и наименее инвазивный метод работает только пока в своде рта — в срединном небном шве — сохраняется щель. После закрытия этого шва могут понадобиться более тяжёлая аппаратура или даже операция. В этом исследовании представлен аккуратно собранный набор изображений и модель искусственного интеллекта (ИИ), которые помогают стоматологам оценить степень срастания шва, стремясь точнее и последовательнее направлять решение о лечении.
Скрытый шов в своде рта
Срединный небный шов — это естественное соединение, проходящее по центру нёба и позволяющее верхней челюсти расширяться в детстве и подростковом возрасте. При слишком узкой верхней челюсти часто применяют быстрое максиллярное расширение, когда устройство медленно раздвигает левую и правую половины верхней челюсти. Если шов ещё открыт, обычно достаточно расширителя, фиксируемого на зубах. Но если шов уже сросся в плотную кость, приходится переходить к расширителям, опирающимся на кость, или к хирургии — более сложным и инвазивным методам. Поэтому знание того, открыт ли шов или закрыт, непосредственно влияет на комфорт, риск и стоимость лечения для пациента.
Сложности чтения трёхмерных стоматологических сканов
Сегодня специалисты обычно оценивают зрелость шва визуально на снимках конусно‑лучевой КТ (КЛКТ), относя каждого пациента к одной из пяти стадий от A (чётко открыт) до E (полностью сросшийся). Эта популярная шкала, предложенная Ангельери и коллегами, помогает выбирать метод лечения, но имеет недостатки. Разные клиницисты могут расходиться во мнениях при тонких изображениях, а двумерные срезы способны упустить важные трёхмерные детали. Авторы подчёркивают, что визуальная оценка занимает много времени, субъективна и особенно затруднительна в пограничных случаях. Ранние попытки применения ИИ часто использовали лишь тонкие поперечные срезы вместо полного 3D‑объёма, что грозит потерей ключевой информации.
Создание богатого, тщательно проверенного набора данных
Чтобы решить эти проблемы, команда собрала 600 КЛКТ‑сканов пациентов в возрасте от 4 до 25 лет, аккуратно удалив все персональные идентификаторы. Опытный ортодонт сначала создал персонализированное изображение нёба каждого пациента, проследив истинную кривую свода вместо плоского среза, что обеспечило видимость всего шва. Затем ортодонт и специалист по челюстно‑лицевой визуализации независимо отнесли каждый случай к одной из пяти стандартных стадий, повторив свои оценки через месяц. Статистические проверки показали отличное согласие как между двумя экспертами, так и внутри каждого эксперта во времени, что даёт доверие к надёжности этих меток стадий. Наряду с изображениями исследователи зафиксировали клинические данные, такие как возраст, пол, зубная зрелость, зрелость шейных позвонков, форма нёба и плотность кости вокруг шва.
Как ИИ видит паттерны, которые человек может пропустить Figure 1.
Используя этот набор данных, авторы построили модель ИИ, объединяющую два типа информации: 3D‑изображение КЛКТ и сопутствующие измерения в табличном виде. Трёхмерная сверточная нейронная сеть учится распознавать паттерны по полному объёму скана, тогда как более простая сеть обрабатывает клинические числовые данные — возраст, плотность кости и т. п. Эти два потока затем объединяются в единое представление, используемое для предсказания стадии шва. Для обеспечения устойчивости и справедливости команда повторяла обучение на нескольких случайных разбиениях данных. Объединённая, или «фьюжн», модель стабильно превосходила версии, использовавшие только изображения или только клинические данные, что показывает значимость как анатомии, так и клинического контекста. В целом модель достигла высокой точности, а её способность различать стадии отразилась в значениях площади под ROC‑кривой выше 0,95 для всех классов.
Заглядывая в рассуждения модели Figure 2.
Чтобы понять, на что фокусируется ИИ, исследователи сгенерировали тепловые карты с помощью метода Grad‑CAM. Эти визуальные наложения выделили области верхней челюсти и нёба, которые сильнее всего влияли на решения модели, концентрируясь вокруг срединного небного шва и прилегающей кости. Это даёт клиницистам уверенность в том, что ИИ опирается на анатомически значимые признаки, а не на посторонние артефакты изображения. В то же время авторы отметили признаки переобучения — когда модель слишком хорошо запоминает тренировочные данные и может хуже работать в новых клиниках или на других аппаратах — подчёркивая необходимость более крупных многоцентровых наборов данных и доработок.
Что это значит для будущего ортодонтического лечения
Для пациентов и их семей практическая ценность этой работы — более последовательные решения о том, когда достаточно простых расширителей, а когда действительно нужны более сильные или хирургические варианты. Сделав доступными как 3D‑изображения, так и клинические таблицы вместе с кодом, авторы приглашают другие команды дорабатывать и тестировать их систему. Если её подтвердят на разных популяциях и аппаратах, стадирование срединного небного шва с помощью ИИ может превратить сложное, зависящее от опыта суждение в стандартизованный инструмент, уменьшающий неопределённость и помогая подбирать расширяющие челюсть лечения в соответствии с реальной стадией костного развития каждого пациента.
Цитирование: Zuo, Z., Jia, B., Xiao, Y. et al. A dataset of midpalatal suture maturation stage in cone-beam computed tomography.
Sci Data13, 531 (2026). https://doi.org/10.1038/s41597-026-06778-3
Ключевые слова: срединный небный шов, ортодонтическое расширение, конусно‑лучевая КТ, ИИ в медицинской визуализации, стадии роста кости
