Zubní kaz, který se řadí k nejrozšířenějším onemocněním a kterým trpí přibližně polovina světové populace, bude možné diagnostikovat z rentgenových snímků za pomoci AI. Týmu výzkumníků Fakulty elektrotechnické ČVUT a 1. lékařské fakulty UK se totiž podařilo vyvinout automatickou metodu detekce kazů založenou na hlubokém učení.
Včasná detekce zubního kazu je klíčová pro následný rozsah i cenu zubního ošetření. V rámci preventivních prohlídek lékaři běžně zhotovují rentgenové snímky, které doplňují vyšetření zrakem a sondou. Podle dřívějších studií na toto téma se však zubní lékaři často rozcházejí v interpretaci snímků.
Český výzkum odhalil nedostatky
Nový výzkum, publikovaný v časopise Clinical Oral Investigations, proto čeští akademici zaměřili na porovnání výkonu automatické metody detekce zubního kazu s výkonem sedmi zubních lékařů, tří začátečníků a čtyř zkušených odborníků.
„Jejich úkolem bylo označit zubní kazy na stovce rentgenových snímků. Shoda mezi odborníky byla poměrně nízká. Ve výsledku automatická metoda, která využívá hluboké učení, konzistentně překonávala nováčky a dosahovala podobných nebo i lepších výsledků než velmi zkušení zubní lékaři,“ popisuje výsledek studie Jan Kybic, vedoucí katedry kybernetiky na FEL ČVUT.
S myšlenkou porovnat výsledek stávajících metod diagnostiky s hlubokým učením původně přišel Antonín Tichý ze Stomatologické kliniky 1. lékařské fakulty Univerzity Karlovy a Všeobecné fakultní nemocnice v Praze. Podle něj si totiž na rozdíl od jiných medicínských oborů zubní lékaři většinu rentgenových snímků zhotovují i interpretují sami.
Neuronové sítě pomáhají nejen méně zkušeným
„Hodnocení snímků je však do jisté míry subjektivní a může se mezi lékaři podstatně lišit, což se potvrdilo i v naší studii. V tomto směru tedy může automatická detekce kazů založená na umělé inteligenci snížit například riziko přehlédnutí kazu, navíc může vizualizace kazů na snímku usnadnit komunikaci lékaře s pacientem,“ vysvětluje.
Za FEL ČVUT se na výzkumu podílel Lukáš Kunt, který v rámci své diplomové práce z bezmála 4 000 anonymizovaných rentgenových snímků s více než 7 000 zubními kazy vytvořil soubor obrazových dat a neuronovou síť, která byla následně trénována na co nejpřesnější odhalování zubních kazů. Celý proces založený na nástrojích umělé inteligence zabral asi dva roky práce.
„V radiologii je praxe taková, že se na snímky dívají dva lékaři, a pokud se neshodnou, může přijít třetí. Ale zubař v typické ordinaci tuto možnost nemá, protože je zpravidla sám, takže právě jemu by naše metoda mohla nejvíce pomoci, obzvláště pokud se jedná o začínajícího lékaře s menšími klinickými zkušenostmi,“ shrnuje Jan Kybic to, kde vidí největší potenciál uplatnění.
Automatická metoda založená na hlubokém učení má před sebou perspektivu uplatnění v lékařské praxi. Lukáš Kunt proto podle něj i nadále spolupracuje s 1. lékařskou fakultou UK na vývoji uživatelského rozhraní tak, aby systém mohli využívat zubní lékaři a studenti a studentky medicíny.
„Uživatelské rozhraní je téměř připraveno k použití, nejprve však musíme otestovat, nakolik je automatická metoda pro studenty užitečnou pomůckou. To chceme zjistit tak, že porovnáme schopnost detekce zubního kazu u studentů, kteří budou mít k dispozici naši aplikaci, se studenty, kteří se učí standardními metodami, tedy formou přednášky a praktické demonstrace s dohlížejícím zubním lékařem,“ vysvětluje na závěr Valéria Nagyová, která se za lékařskou sekci spolupodílela na výzkumu, a dodává, že podle výsledků bude tým dále pokračovat v optimalizaci a implementaci aplikace do výuky.
„K používání zubními lékaři v terénu je cesta ještě dlouhá a bude obtížné konkurovat komerčním produktům, které mají větší časové i finanční zdroje.“