Могут ли стратегии классификации улучшить автоматическую стадию развития шейных позвонков? Сравнительное исследование

Почему время пика роста важно

Для детей и подростков, которым нужны брекеты или исправление прикуса, своевременное использование природного скачка роста может сделать лечение более плавным, коротким и эффективным. Стоматологи часто смотрят на кости позвоночника на обычных боковых рентгеновских снимках головы, чтобы оценить, на каком этапе роста находится молодой пациент. Но такие визуальные оценки могут быть непоследовательными: разные специалисты иногда приходят к разным выводам. В этом исследовании задают вопрос, могут ли тщательно разработанные системы искусственного интеллекта (ИИ) читать эти рентгеновские снимки более последовательно — и как лучше обучать такие системы.

Чтение роста по шейным костям

При планировании ортодонтического лечения специалисты смотрят не только на зубы. Им также важно знать, насколько пациент ещё будет расти. Один из распространённых методов — исследование маленьких шейных позвонков (cervical vertebrae) на боковом рентгеновском снимке головы. Их формы тонко меняются по мере того, как ребёнок проходит от раннего роста, через пубертатный скачок, к позднему подростковому возрасту. Популярная система делит это изменение на шесть этапов, но различия между соседними этапами могут быть настолько незначительными, что даже опытные врачи часто расходятся во мнениях. Такая изменчивость затрудняет стандартизацию помощи и уверенное планирование вмешательств, зависящих от точного определения пика роста.

Обучение компьютеров обнаруживать тонкие изменения формы

Исследователи собрали 1750 рутинных ортодонтических рентгеновских снимков из одной больницы, охватывающих пациентов со средним возрастом около 13 лет. Два сертифицированных ортодонта независимо отнесли каждое изображение к одному из шести стадий роста, а затем совместно урегулировали разногласия, создав надёжный эталон. Модель компьютерного зрения сначала находила и вырезала небольшой участок изображения с тремя шейными позвонками. Эти вырезанные фрагменты затем подавались в системы глубокого обучения — специализированные ИИ-программы, которые изучают закономерности напрямую по множеству примеров — для предсказания стадии роста.

Помогают ли экспертные подсказки или мешают?

Команда сравнила две основные идеи обучения. В одной модель обучалась «end-to-end»: она видела только вырезанные изображения позвонков и напрямую училась предсказывать шесть стадий роста. В другой модель сначала обучали находить конкретные ориентирные точки на позвонках — ключевые положения вдоль их контуров, которые используют человеческие эксперты — а затем дообучали для классификации стадии роста, переиспользуя знания об этих ориентирах. Удивительно, но прямая end-to-end стратегия показала лучшие результаты. Она правильно определяла точную шестиступенчатую категорию примерно в двух третях случаев, а при ошибках они почти всегда попадали в соседнюю стадию. Версии с руководством по ориентирным точкам так и не догнали, даже когда их внутренние слои тщательно донастраивали при дообучении.

Тонкая настройка для более широких клинических решений

В обычной практике ортодонтам часто не нужны все шесть стадий. Чаще важны три более широкие фазы: до, во время и после пубертатного скачка роста. Поэтому исследователи проверили, что лучше: обучать модель напрямую на эти три группы или сначала обучать на полной шестиступенчатой шкале, а затем объединять её выводы в три группы. Оба подхода достигли похожей общей точности около 79 процентов, но модель, начавшаяся с более тонкой шестиступенчатой подготовки, сильнее фокусировалась на тех же признаках позвонков, на которые опираются клиницисты — например, на нижних границах и полостях на краях костей. Визуальные карты того, «на что смотрел» ИИ, показали более плотную концентрацию на этих значимых формах, тогда как модель, напрямую обученная на трёх стадиях, распределяла внимание более широко на менее релевантные области.

Что это значит для будущей стоматологической помощи

Исследование показывает, что ИИ может оценивать рост по рутинным ортодонтическим рентгеновским снимкам с ошибками, в основном ограниченными соседними стадиями, что похоже на естественную неопределённость, с которой сталкиваются человеческие эксперты. Также показано, что заранее заданные анатомические подсказки не всегда полезны и даже могут замедлить модель, если эти подсказки не соответствуют окончательной задаче. Напротив, обучение на более детализированных стадиях роста, даже если в клинике требуются лишь широкие категории, может привести к моделям, которые обращают внимание на те же признаки, что и специалисты. В долгосрочной перспективе такие тщательно обученные системы могли бы помогать ортодонтам более последовательно и прозрачно определять время вмешательства, лучше используя каждый скачок роста пациента, при этом оставляя окончательные решения за человеком.

Цитирование: Lee, SY., Ryu, J., Kim, YH. et al. Can classification strategies improve automated cervical vertebral maturation staging? A comparative study. Sci Rep 16, 10645 (2026). https://doi.org/10.1038/s41598-026-46004-z

Ключевые слова: скелетная зрелость, ортодонтический рост, глубокое обучение, ИИ в медицинской визуализации, шейные позвонки