IGMNN: метод диагностики вертикальных переломов корня на основе нейронной сети с информационно‑управляемой памятью

Почему важно обнаруживать мельчайшие трещины в зубах

Вертикальные переломы корня — длинные тонкие трещины, идущие вдоль корней зубов — представляют собой тихого нарушителя в стоматологии. Они могут вызывать боль, инфекции и в конце концов потерю зуба, при этом их крайне сложно увидеть, даже при современных трехмерных рентгеновских снимках. Стоматологам приходится внимательно разбирать похожие друг на друга изображения, часто затемнённые или исказённые засечками и тенями от пломб или другой стоматологической работы. В этом исследовании предложена новая система искусственного интеллекта, которая ведёт себя немного как врач с памятью: она изучает, как обычно выглядят здоровые и сломанные зубы, сохраняет эти шаблоны и использует этот «опыт», чтобы давать более надёжные диагнозы по данным конусно‑лучевой КТ (CBCT).

Скрытая проблема трещин на стоматологических снимках

Вертикальные переломы корня — это небольшие разрывы, которые могут проходить от корневого канала к окружающей кости, повреждая зуб и близлежащие ткани. Они чаще всего встречаются в премолярах и у некоторых корней моляров и их трудно диагностировать только по симптомам — у пациентов может быть смутная боль, а классические признаки часто отсутствуют. CBCT‑сканеры создают детальные трехмерные изображения и стали важным инструментом для поиска таких трещин. Однако сканы загромождены множеством зубов с почти идентичной формой, а металлические пломбы или материалы для лечения каналов могут создавать яркие или тёмные полосы — артефакты. Эти полосы могут скрывать или имитировать настоящие переломы, делая ручной разбор медленным, утомительным и склонным к ошибкам.

Почему обычный ИИ испытывает трудности с медицинскими изображениями

Стандартные системы распознавания изображений, такие как популярные сверточные нейронные сети и трансформеры, обучены распознавать предметы повседневной жизни по миллионам фотографий. Медицинские изображения — это совсем другая история. Они требуют экспертной разметки, встречаются в гораздо меньших количествах и часто демонстрируют тонкие различия между больной и здоровой тканью. В случае переломов корня сканы сломанных и целых зубов при первом взгляде могут выглядеть поразительно похоже. Традиционный ИИ, как правило, рассматривает каждое обучающее изображение изолированно и хранит выученное лишь неявно в своих внутренних весах. У него нет явной, обновляемой «памяти» о том, что определяет типичный переломанный зуб в отличие от здорового, что ограничивает его способность фокусироваться на самых показательных шаблонах, когда данных мало или они зашумлены.

Обучение сети запоминать паттерны болезни

Авторы предлагают Информационно‑Управляемую Нейронную Сеть с Памятью (IGMNN), предназначенную для придания модели явной, специфичной для класса памяти. Система сначала использует мощную существующую сеть (ResNet152), чтобы превратить каждое изображение зуба из CBCT в числовой «отпечаток», описывающий форму и текстуру. Эти отпечатки затем сравниваются с двумя внешними банками памяти: одним для «переломанных» зубов и другим для «непереломанных». Специальная мера сходства, основанная на теории информации, оценивает, насколько новый отпечаток соответствует общему паттерну каждого банка памяти, а не только его самым сильным участкам. Шлюзы в сети действуют как регулируемые клапаны: когда новый пример сильно похож на сохранённый паттерн для своего класса, соответствующая память открывается, чтобы поглотить и усилить эту информацию; когда он отличается или принадлежит противоположному классу, шлюз остаётся в основном закрытым, предотвращая вредное смешение воспоминаний.

Тестирование ИИ с направляющей памятью

Команда обучала и оценивала метод на CBCT‑сканах 392 пациентов. Они сформировали два набора данных: один без заметных артефактов и другой с сильными полосами от плотных материалов. Автоматический шаг предварительной обработки обрезал каждый скан вокруг интересующего зуба, чтобы ИИ не перегружался посторонней анатомией. Используя стандартные метрики качества, такие как точность и F1‑мера, они сравнили IGMNN с рядом известных моделей глубокого обучения, включая несколько вариантов ResNet и DenseNet, визион‑трансформеров и архитектур, специфичных для медицины. На чистых изображениях IGMNN правильно отличал переломанные зубы от здоровых в 97,3% случаев, обойдя всех конкурентов. Даже на изображениях с артефактами — где все модели работали хуже — он всё равно лидировал с точностью 93,9%. Примечательно, что при применении без дообучения к сканам с другого CBCT‑аппарата его точность оставалась высокой — 95,3%, тогда как сильная модель‑базовая опустилась до низких 70%.

Куда «смотрит» ИИ и что он запоминает

Чтобы сделать поведение системы прозрачнее, авторы визуализировали, какие части изображений влияли на её решения. Тепловые карты и представления на основе градиентов показали, что сеть не опирается на одну яркую полоску или линию трещины. Вместо этого, управляемая класс‑специфической памятью, она обращала внимание на более широкие области зуба и тонкие структурные подсказки, особенно в присутствии артефактов. Дополнительный анализ выученных признаков показал, что IGMNN сгруппировал примеры с переломами и без них в чёткие, компактные кластеры, даже для данных со сканера, которого ранее не встречал. Это говорит о том, что его внешняя память улавливает стабильные, связанные с заболеванием паттерны, а не просто запоминает обучающие изображения.

Что это значит для стоматологов и пациентов

Исследование демонстрирует, что предоставление системе ИИ явной, обучаемой памяти о том, как обычно выглядят здоровые и треснувшие корни, может существенно улучшить автоматическую диагностику вертикальных переломов корня на CBCT‑сканах. Для стоматологов такой инструмент может выступать в роли второй пары глаз, отмечая подозрительные зубы, которые в противном случае могли бы быть пропущены, особенно на шумных изображениях или при незнакомых настройках сканера. Для пациентов более точное и последовательное обнаружение этих скрытых трещин может означать более ранние решения о лечении, меньше ненужных процедур и большую вероятность сохранения повреждённых зубов. Несмотря на то, что требуются дальнейшая валидация и интеграция в клинические рабочие процессы, представленный подход с памятью указывает на новый класс медицинских ИИ‑систем, которые учатся — и запоминают — как опытные специалисты.

Цитирование: Wang, J., Jin, X., Tang, R. et al. IGMNN: a diagnosis method for vertical root fractures based on an information gated memory neural network. Sci Rep 16, 10120 (2026). https://doi.org/10.1038/s41598-026-39857-x

Ключевые слова: вертикальный перелом корня, зубная визуализация, конусно‑лучевая КТ, медицинское глубокое обучение, нейронная сеть с памятью