Применение нейронной сети для морфологической оценки ремоделирования реваскуляризированного аутотрансплантата на этапе дентальной имплантации дефектов челюстей

Актуальность. В работе изучена возможность использования математической модели искусственной нейронной сети (ИНС) для сравнительной количественной морфологической оценки процесса ремоделирования реваскуляризованного аутотрансплантата после реконструктивно-восстановительных операций у пациентов с дефектами челюстей.
Материалы и методы. Проведено гистологическое исследование биопсии костной ткани челюстей на сроках 6, 9, 12 месяцев у 30 пациентов после выполнения реконструктивно-восстановительной операции с использованием реваскуляризированного аутотрансплантата малоберцовой кости на этапе установки дентальных имплантатов. Выполнялся анализ гистологических изображений с помощью математической модели, созданной на базе GoogLeNet, обучение которой проводилось на морфологических изображениях стадии ремоделирования созревающей костной ткани. Гистологические препараты были оцифрованы с помощью сканирующего микроскопа Leica SC2, и в потоковом режиме прогонялись через модель нейронной сети.
Результаты. На всех сроках наблюдения в области дефекта челюсти формировалась относительно зрелая костная ткань с различной степенью выраженности признаков ремоделирования и созревания новообразованной кости. При этом выводы описательного гистологического исследования согласовались с количественными результатами математической модели ИНС, построенной на базе разработанного авторами программно-аппаратного комплекса, подтвержденная достоверность которых не менее 95%.
Заключение. Исследование патоморфологических данных биопсийного материала с использованием математической модели ИНС, построенной на базе программного аппаратного комплекса, позволяет анализировать все поля зрения микроскопа гистологического препарата, минуя случайные выборки, а также оценку врачом-патологоанатомом отдельных полей зрения микроскопа, тем самым исключить возможность нерепрезентативной выборки и влияния человеческого фактора, что значительно повышает достоверность полученных результатов.

1. Кулаков АА, Брайловская ТВ, Осман БМ, Бедретдинов РМ, Результаты частотно-резонансного анализа при дентальной имплантации после выполнения костно-пластических операций в условиях атрофии костной ткани челюстей. Стоматология. 2014;4:33-37. https://www.mediasphera.ru/issues/stomatologiya/2014/4/downloads/ru/030039-1735201448

2. Lang NP. Clinical Periodontology and Implant Dentistry. Wiley-Blackwell. 2015. 1480 p.

3. Auday M. AL-Anee, Ahmed Fadhel Al-Quisi, Hassanien A. Al-jumaily. Mandibular war injuries caused by bullets and shell fragments: a comparative study. oral Maxillofac Surg. 2018;Sep;22(3):303-307. doi: 10.1007/s10006-018-0710-1

4. Kilinc A, Saruhan N, Gundogdu B, Yalcin E, Ertas U, Urvasizoglu G. Benign tumors and tumor-like lesions of the oral cavity and jaws: An analysis of 709 cases. niger J clin Pract. 2017;Nov;20(11):1448-1454. doi: 10.4103/1119-3077.187309

5. Кулаков АА, Винниченко ОЮ, Бадалян ВА. Сравнительный анализ изменения температуры костной ткани во время формирования ложа под дентальный имплантат традиционным и пьезохирургическим методами. Стоматология. 2015;6:8-10. https://doi.org/10.17116/stomat20159468-10

6. Hof M, Tepper G, Semo B, Arnhart C, Watzek G, Pommer B. Relative positional change of a dental implant in the esthetic zone after 12 years: a case report. Gen. dent. 2017;3:1-4. https://pubmed.ncbi.nlm.nih.gov/28475091/

7. Xin Huang, Jin Bai, Xu Liu, Zhaosong Meng, Yuli Shang, Tiejun Jiao, Gang Chen, and Jiayin Deng. Scientometric Analysis of Dental Implant Research over the Past 10 Years and Future Research Trends. Biomed res Int. 2021;Apr:13. doi: 10.1155/2021/6634055

8. Chiapasco M, Casentini P. Horizontal bone augmentation procedures in implant dentistry: prosthetically guided regeneration. Periodontology 2000. 2018;77(1):213-240. doi: 10.1111/prd.12219.

9. Michael Korsch, Winfried Walther, Bernt-Peter Robra, Aynur Sahin, Matthias Hannig, Andreas Bartols. DecisionMaking in Implantology – A Cross-Sectional VignetteBased Study to Determine Clinical Treatment Routines for the Edentulous Atrophic Mandible. Int J environ res Public health. 2021;8;18(4):1596. doi: 10.3390/ijerph18041596

10. Федосова НВ, Берченко ГН, Машошин ДВ. Создание математической модели нейронной сети для морфологической оценки репарации и ремоделирования костного дефекта. Матем. Моделирование. 2021;33:9. http://dx.doi.org/10.20948/mm-2021-09-02

11. Брайловская ТВ, Берченко ГН, Федосова НВ, Тангиева ЗА. Способ диагностики и коррекции костного аутотранстплантата после выполнения реконструктивной костнопластической операции, патент на изобретение Номер патента: RU 2735648 C1. Патентное ведомство: Россия. Год публикации: 2020. Номер заявки: 2020103779. Дата регистрации: 29.01.2020. Дата публикации: 05.11.2020.

12. Виноградова ТП, Лаврищева ГИ. Регенерация и пересадка костей. Москва: Медицина. 1974. 247 с.

13. Русаков АВ. Болезни костной системы и суставов. Многотомное руководство по патологической анатомии. Том 5. МЕДГИЗ. 1959. 531 с.

14. Никоненко АГ. Введение в количественную гистологию. Киев: Книга-плюс. 2013. 256 с.

15. Ипполитов ЮА, Петров ИЮ, Петров АИ. Использование компьютерных технологий для анализа ошибок и осложнений дентальной имплантации. Вестник новых медицинских технологий. 2014;1:20-22. https://cyberleninka.ru/article/n/ispolzovaniekompyuternyh-tehnologiy-dlya-analiza-oshibok-i-oslozhneniy-dentalnoy-implantatsii

16. Von See C, Rücker M, Schumann P, Goetz F, Wefstaedt P, Nolte I, Von der Hoeh N, Meyer-Lindenberg A, Tavassol F, Gellrich NC. Micro-computed tomography and histologic evaluation of the interface of hydrogel expander and underlying bone: influence of pressure distributors on bone resorption. J oral Maxillofac Surg. 2010;68(9):2179-2184. https://doi.org/10.1016/j.joms.2009.08.024

17. Леонов ВП. Ошибки статистического анализа биомедицинских данных. Международный журнал медицинской практики. 2007;2: 19‐35. http://vital.lib.tsu.ru/vital/access/manager/Repository/vtls:000426734

18. Леонов ВП. Классификация ошибок применения статистики в отечественной медицине. Материалы научной конференции «Системный анализ в медицине» (САМ 2007). Благовещенск. 2007. Амурский государственный университет. C. 18-21.

19. Craig Mermel MD, Research Scientist, Kunal Nagpal M., Software Engineer. Using AI to identify the aggressiveness of prostate cancer. Google Health, Jul 23, 2020, Free DOI Lookup https://blog.google/technology/health/using-ai-identifyaggressiveness-prostate-cancer

20. Jeremy R Burt., Neslisah Torosdagli, Naji Khosravan, Harish RaviPrakash, Aliasghar Mortazi, Fiona Tissavirasingham, Sarfaraz Hussein, Ulas Bagci. Deep learning beyond cats and dogs: recent advances in diagnosing breast cancer with deep neural networks. 2018;Apr:10 doi: 10.1259/bjr.20170545. Epub.

21. Liron Pantanowitz, Gabriela M, Quiroga-Garza, Lilach BienRonen Heled Daphna Laifenfeld, Chaim Linhart et al. An artificial intelligence algorithm for prostate cancer diagnosis in whole slide images of core needle biopsies: a blinded clinical validation and deployment study. Free DOI Lookup URL: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(20)30159-X/fulltext#seccestitle180

22. Yi Lin, Piotr Doll, Ross Girshick, Kaiming He, Bharath Hariharan, Serge Belongie. Feature Pyramid Networks for Object Detection. Tsung - Facebook AI Research (FAIR). Cornell University and Cornell Tech. https://openaccess.thecvf.com/content_cvpr_2017/papers/Lin_Feature_Pyramid_Networks_CVPR_2017_paper.pdf