Радиомические признаки и стеноз сонной артерии при пародонтите: двухэтапное бутстрэп-исследование и мультимодальное машинное обучение

Почему состояние десен может рассказать о вашем сердце

Большинство из нас воспринимает стоматологические рентгеновские снимки как инструмент для выявления кариеса или планирования имплантов. Это исследование предлагает, что они также могут содержать тонкие подсказки о состоянии шейных артерий, снабжающих мозг. Анализируя скрытые закономерности в рутинных трехмерных зубных сканах у людей с заболеванием десен, авторы показывают, что, возможно, можно заранее выявить тех, кто подвержен риску опасного сужения артерий задолго до развития инсульта.

Скрытые предупреждающие знаки во рту

Пародонтит — хроническая инфекция, которая постепенно разрушает ткани, поддерживающие зубы. За последнее десятилетие многие исследования связывали его с инфарктами и инсультами, подразумевая, что воспалённые десны и поражённые сосуды могут быть разными проявлениями одной проблемы. Тем не менее врачам всё ещё не хватает простых и практичных инструментов, чтобы выделять пациентов с пародонтитом, у которых незаметно развивается стеноз сонной артерии — одна из ведущих причин ишемического инсульта. Авторы проверили, не содержат ли 3D-снимки конусно-лучевой КТ, уже используемые в стоматологии, едва заметных структурных признаков, отражающих это скрытое поражение сосудов.

Преобразование стоматологических сканов в измеримые шаблоны

Команда проанализировала конусно-лучевые КТ у 279 взрослых, лечившихся в крупной больнице: у 168 были и пародонтит, и стеноз сонной артерии, у 111 — только пародонтит. Для каждого пациента специалисты аккуратно выделяли верхнечелюстные и нижнечелюстные области, где располагаются зубы и опорная кость. Используя радиомику — метод преобразования медицинских изображений в множество числовых дескрипторов — они извлекли по 206 признаков с каждого скана. Это были как простые показатели, например средняя яркость, так и формы и текстурные паттерны, которые невозможно оценить невооружённым глазом, но которые могут отражать, как воспаление и ремоделирование костной ткани изменяли челюсть со временем.

Обучение машин выявлять пациентов в группе риска

Поскольку в образце было больше пациентов с поражёнными артериями, исследователи применили метод балансировки данных SMOTE, чтобы получить более равномерную обучающую выборку для алгоритмов. Затем они использовали тщательную двухэтапную статистическую процедуру для отсевa из 206 радиомических признаков. Сначала многократно ресемплировали данные и с помощью проверок корреляции и метода регуляризации отбрасывали избыточные или слабые сигналы. Признаки, которые регулярно проходили этот отбор, переходили во второй этап, где многократные прогонки логистической регрессии выбирали наиболее стабильную комбинацию. В результате осталось 20 ключевых признаков — описывающих форму челюсти, распределение интенсивности и тонкую текстуру — которые в совокупности лучше всего различали пациентов с и без стеноза сонной артерии.

Насколько хорошо работали модели

С этими 20 признаками команда построила и сравнила три распространённых модели машинного обучения: логистическую регрессию, опорные векторные машины и случайный лес. При пятикратной кросс-валидации — способе проверки на невидимых данных — выяснилось, что случайный лес показал лучшие результаты. Он верно разделял пациентов с высоким и низким риском с площадью под кривой 0,892, очень высокой чувствительностью (он обнаруживал около 96% пациентов со стенозом) и умеренной специфичностью (он правильно подтверждал отсутствие стеноза примерно у 71% пациентов). Дополнительные проверки показали, что оценки вероятности соответствовали реальности в достаточной степени, и что при широком диапазоне порогов принятия решения модель давала врачам больший чистый эффект, чем более простые модели или стратегия скрининга всех пациентов сосудистыми методами.

Что это может значить для повседневной практики

Результаты предполагают, что один интраоральный скан челюсти, сделанный по стоматологическим показаниям, в будущем может служить системой раннего предупреждения о риске инсульта, особенно у пациентов с хроническим заболеванием десен. Поскольку конусно-лучевая КТ уже широко доступна в стоматологических и челюстно-лицевых практиках, такой подход мог бы охватить большое число людей без дополнительных снимков, анализов крови или лишнего времени, а затем направлять на сосудистое УЗИ или другие кардиоваскулярные тесты только тех, кого модель отметит как более рисковых.

Какие остаются вопросы

Эта работа не претендует на то, что стоматологи сегодня могут диагностировать заболевания артерий по снимкам. Исследование проведено в одном центре, частично опиралось на синтетические данные для балансировки выборки и ещё не было протестировано в других больницах или на других сканерах. Тем не менее это доказательство концепции: тонкие признаки в костях вокруг зубов, по-видимому, отражают происходящее в шейных артериях, питающих мозг. Если результаты подтвердятся и будут доработаны, такие модели могут помочь лучше интегрировать состояние полости рта в общекардиоваскулярный скрининг, превращая визит к стоматологу в шанс защитить не только улыбку, но и мозг с сердцем.

Цитирование: Zhang, M., Cai, J., Cao, Q. et al. Radiomic features and carotid stenosis in periodontitis a two stage bootstrap and multimodal machine learning study. Sci Rep 16, 8177 (2026). https://doi.org/10.1038/s41598-026-38463-1

Ключевые слова: пародонтит, атеросклероз сонной артерии, радиомика, машинное обучение, ранний риск инсульта