Интегральный набор данных КТ конусной пучковой томографии и гистопатологии одонтогенных поражений зубочелюстной области для оценки алгоритмов глубокого обучения

Почему поражения челюсти важны не только для стоматологов

Необычные разрастания в челюсти могут показаться узкопрофильной стоматологической проблемой, но для здоровья и лечения человека они означают совершенно разные вещи. Некоторые — простые кисты, которые можно удалить небольшой процедурой, в то время как другие требуют обширного хирургического вмешательства, чтобы предотвратить рецидив. Сегодня врачи опираются на детализированные рентгеноподобные сканы и микроскопические исследования тканей, чтобы отличить эти похожие по виду проблемы. В этой статье описывается новый общий ресурс данных, который может помочь искусственному интеллекту научиться принимать такие тонкие решения быстрее и стабильнее.

Видеть всю челюсть в трёх измерениях

Когда стоматологи или хирурги подозревают поражение челюсти, они часто прибегают к конусно-лучевой компьютерной томографии (КЛКТ, CBCT). Этот скан создаёт трёхмерное изображение головы, показывающее кости и зубы с высокой детализацией при относительно низкой дозе облучения. Он помогает хирургам планировать объём удаления ткани и избегать нервов и корней зубов. Проблема в том, что многие распространённые поражения челюсти имеют очень похожие формы и расположение на таких снимках. Даже опытные специалисты могут расходиться во мнениях, что влияет и на диагноз, и на выбор лечения. Автоматизированные компьютерные системы могли бы помочь, но им нужны большие, хорошо размеченные коллекции изображений для обучения.

Изучение ткани под микроскопом

Самый надёжный способ идентификации этих поражений по-прежнему — микроскопическое исследование. После операции удалённую ткань разрезают на ультратонкие срезы, окрашивают красителями и сканируют в высоком разрешении. Патологи изучают клеточные шаблоны, чтобы решить, является ли поражение доброкачественной кистой или опухолью и к какому подтипу оно относится. Например, в челюстной области доминируют четыре типа: фолликулярные кисты (dentigerous cysts), радикулярные кисты (radicular cysts), одонтогенные кератоциты (odontogenic keratocysts) и амелобластомы (ameloblastomas). Каждый из них имеет характерный внешний вид и поведение. Однако этот эталонный результат становится доступен только после операции. Пациенты и врачи не могут использовать его, чтобы скорректировать уже проведённое вмешательство, поэтому более качественные предоперационные инструменты так важны.

Сопоставление сканов и слайдов

Новый набор данных DOLCHID устраняет этот разрыв, аккуратно сопоставляя КЛКТ-сканы с соответствующими микроскопическими изображениями тех же самых поражений челюсти. Авторы собрали данные от 262 пациентов с чёткими диагнозами и качественными изображениями обоих типов. Для каждого случая радиологи отмечали точную область поражения на скане, а патологи очерчивали наиболее информативную область на окрашенном срезе ткани. Набор данных сбалансирован по четырём основным типам поражений и включает сложные, граничные примеры, чтобы отражать реальную клиническую сложность. Вся персональная информация была удалена, а изображения сохранены в стандартных форматах, чтобы исследовательские группы по всему миру могли с ними работать.

Проверка, насколько хорошо компьютеры учатся на этих данных

Чтобы продемонстрировать полезность набора данных, команда провела серию тестов с ведущими методами глубокого обучения. Сначала они обучали модели автоматически очерчивать границы поражений как на КЛКТ, так и на микроскопических изображениях. Несколько различных архитектур моделей успешно научились находить поражения с вполне надёжной точностью, что указывает на согласованность и информативность изображений и экспертных разметок. Затем они обучали отдельные модели классифицировать тип поражения, используя только сканы или только изображения тканей. Как и следовало ожидать, модели, которые работали с микроскопическими изображениями, показали очень высокие результаты, тогда как модели, использующие только КЛКТ, показали приемлемую производительность, учитывая внешнее сходство поражений.

Что происходит, когда обе перспективы объединяют

Самые перспективные эксперименты сочетали оба вида изображений. Исследователи создавали методы, которые сначала извлекают отдельные признаки из КЛКТ-сканов и из слайдов ткани, а затем объединяют эти сигналы в общее представление. Даже когда в реальной диагностике был бы доступен только скан, процесс обучения мог выигрывать от того, чему модель научилась по микроскопическим изображениям. Эти мультимодальные системы показали более высокую производительность, чем модели, использующие только КЛКТ, демонстрируя, что парные данные помогают компьютеру точнее различать тонкие отличия между типами поражений.

Как эта работа может помочь будущим пациентам

Для неспециалиста главный вывод таков: это исследование не представляет новое медицинское устройство, а представляет тщательно отобранный учебный набор для интеллектуальных алгоритмов. Связав трёхмерные сканы челюсти с совпадающими микроскопическими видами и экспертными метками, набор данных DOLCHID даёт исследователям материал, необходимый для создания и справедливого сравнения ИИ-инструментов для диагностики поражений челюсти. Со временем такие инструменты могут помочь врачам раньше выявлять агрессивные опухоли, выбирать правильный объём операции и снижать неопределённость у пациентов, сталкивающихся со сложными стоматологическими и челюстно-лицевыми вмешательствами.

Цитирование: Huang, Z., Xia, T., Wu, T. et al. Dental Odontogenic Lesion CBCT and Histopathology Integrated Dataset for Benchmarking Deep Learning Algorithms. Sci Data 13, 758 (2026). https://doi.org/10.1038/s41597-026-07112-7

Ключевые слова: одонтогенные поражения, стоматологическая визуализация, конусно-лучевая КТ, гистопатология, набор данных для глубокого обучения