CC BY
72V^JWRiH СТОМАТОЛОГИЯ
АРХИТЕКТОНИКА СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ В СТОМАТОЛОГИИ. ОБЗОР ЛИТЕРАТУРЫ
А. А. Долгалев, А. А. Мураев, П.А. Ляхов, У. А. Ляхова, Д. З. Чониашвили, К. Е. Золотаев, Д. Ю. Семериков, В. М. Аванисян
Аннотация. В последние годы системы искусственного интеллекта широко используются в различных областях, таких как финансы, пространственные науки, интеллектуальные сети, интеллектуальный транспорт, возобновляемые источники энергии, сельское хозяйство, особенно медицина. Стоматология — не исключение! Технологический прогресс в диагностике стоматологических заболеваний не ограничивается аппаратными средствами, а дополняется программами на основе искусственного интеллекта и систем поддержки принятия врачебных решений. Все это делает ежедневный прием пациентов качественнее, достовернее и с меньшими затратами по времени.
Цель исследования — провести обзор литературы по данной теме, определить возможные концепции использования искусственного интеллекта и нейронных сетей в стоматологии, а также выявить перспективные направления в развитии этих систем.
Материалы и методы. При изучении данного вопроса были проанализированы научные источники, индексируемые в ВАК, Scopus и Web of Sciences.
Результаты. На основании проанализированных данных можно сделать вывод, что применение искусственного интеллекта в медицине, а конкретнее в стоматологии, становится реальностью, которое значительно облегчает работу стоматологов с ежедневными огромными массивами качественных и унифицированных данных, помогает интерпретировать клинические симптомы, проводить цефалометрический анализ или распознавать поражения на основе различия вокселей для постановки конкретного диагноза.
Ключевые слова: искусственный интеллект, искусственные нейронные сети, машинное обучение, цифровая стоматология.
ARTIFICIAL INTELLIGENCE ARCHITECTONICS AND PROSPECTS FOR THE APPLICATION OF MACHINE LEARNING TECHNOLOGIES IN DENTISTRY. LITERATURE REVIEW
A. Dolgalev, A. Muraev, P. Lyakhov, U. Lyakhova, D. Choniashvili, K. Zolotayev, D. Semerikov, V. M. Avanisyan
Annotation. In recent years, ai systems have been widely used in various fields such as finance, spatial sciences, smart grids, intelligent transport, renewable energy, agriculture and especially medicine. Dentistry is no exception! Technological advances in dental diagnostics are not limited to hardware, but are complemented by programmes based on artificial intelligence and medical decision support systems. This makes daily patient care more efficient, more reliable and less time-consuming.
The purpose of the study was to carry out a literature review on the given theme, to define possible concepts of use of an artificial
intellect and neural networks in stomatology, and to reveal promising directions in development of these systems.
Materials and methods. While studying the issue lots of scientific sources indexed in VAK, Scopus and Web of Sciences were analyzed.
Results. Based on the analyzed data, we can conclude that the use of artificial intelligence in medicine, particularly in dentistry, is becoming a reality, which greatly facilitates the work of dentists with huge amounts of daily qualitative and unified data, helps to interpret clinical symptoms, conduct cephalometric analysis or recognize lesions based on voxel differences to make a specific diagnosis.
Keywords: artificial intelligence, artificial neural networks, machine learning, deep learning, digital dentistry.
В последние годы системы искусственного интеллекта (ИИ) широко используются в различных областях, таких как финансы, пространственные науки, интеллектуальные сети, интеллектуальный транспорт, возобновляемые источники энергии, сельское хозяйство и особенно медицина. В эпоху большого объема медицинских данных преимущество машинного обучения заключается в том, что оно может предсказывать и диагностировать на основе анализа значительного количества клинических данных, а его производительность очень близка и конкурентоспособна или даже превосходит производительность клиницистов.
Большинство людей воспринимают визит к врачу с неприязнью. Однако современные технологии, ИИ и системы поддержки принятия врачебных решений (СППВР) могут изменить представление о врачах и даже вызвать любопытство и интерес к лечению. Стоматология — не исключение. Технологический прогресс в диагностике стоматологических заболеваний не ограничивается аппаратными средствами и больше не определяется микроскопами и последовательностями изображений, которые считывают и выдают обученные специалисты.
Так что же понимается под искусственным интеллектом? Более того, почему так важно задавать правиль-
www.akvarel2002.ru Ж.
ный вопрос? Существует множество определений; различные источники трактуют его по-разному. Одни объясняют ИИ как систему, состоящую из определенных программ и протоколов; другие же заявляют, что ИИ — алгоритм действия, прописанный оператором для совершения необходимых манипуляций [1-4]. Искусственный интеллект — сложная системная наука о том, как заставить машины обладать некоторыми качествами, которые присуще человеческому разуму, такими как способность понимать, распознавать, решать, учиться, запоминать, делать выводы и, наконец, лечить людей [5, 6].
Цель исследования. Провести обзор литературы по данной теме,
определить возможные концепции использования искусственного интеллекта и нейронных сетей в стоматологии, а также выявить перспективные направления в развитии этих систем.
МАТЕРИАЛЫ И МЕТОДЫ
При изучении данного вопроса были проанализированы научные источники, индексируемые в ВАК, Scopus и Web of Sciences. В источниках, описывающих оригинальные исследования в этой области, акцент был сделан на методах машинного обучения, протоколах шифрования данных, методах ввода массивов, а также на человеческом факторе оценки достоверности информации на основе историй болезни.
РЕЗУЛЬТАТЫ
Искусственные нейронные сети
Первый уровень организации ИИ — искусственные нейронные сети (ИНС). Это вычислительные модели, созданные на основе модели мышления человеческого мозга. ИНС могут учиться и обобщать опыт, а также абстрагировать важную информацию из данных. ИНС обучаются думать, как человек, путем усиления или ослабления взаимосвязанных весов, которые соединяют элементы обработки ИНС [7-9]. В литературе термины «нейрон», «клетка» и «блок» обычно используются как взаимозаменяемые для обозначения элементов обработки нейронных сетей [8, 10].
ИНС — это математическое представление нейронной архитектуры, отражающее его обучение и способности к обобщению. По этой причине ИНС широко применяются в научных исследованиях, поскольку они могут моделировать сильно нелинейные системы, в которых взаимосвязь между переменными неизвестна или очень сложна [11, 12].
Математическая основа
Нейронная сеть формируется из серии нейронов (или «узлов»), которые организованы в слои. Каждый нейрон в слое связан с каждым нейроном в следующем слое через взвешенную связь. Значение веса wij указывает на силу связи между i-м нейроном в слое и j-м нейроном в следующем слое [11, 13, 14]. Структуру нейронной сети образуют входной
слой, один или несколько скрытых слоев и выходной слой. Количество нейронов в слое и количество слоев сильно зависит от сложности изучаемой системы, поэтому оптимальная архитектура сети должна быть предопределена заранее. Нейроны во входном слое получают данные и передают их нейронам в первом скрытом слое через взвешенные связи. Здесь данные подвергаются математической обработке, и результат передается нейронам следующего слоя. В конечном итоге нейроны последнего слоя обеспечивают выход массива данных из сети [15-18].
Искусственные нейронные сети — полезные инструменты, которые успешно применяются в широком спектре задач обработки сигналов. С точки зрения обработки сигналов их способность постоянно адаптироваться к новым данным позволяет отслеживать изменения сигнала во времени, а способность обучаться на произвольных, зашумленных данных позволяет решать задачи, которые не могут быть адекватно решены с помощью некоторых традиционных статистических методов [12, 19-22].
Первоначально нейронные сети использовались в медицине для исследования причинно-следственной связи ряда заболеваний [23, 24]. Создание искусственных, цифровых пар «причина — следствие» для диагностики определенных патологий имело относительно высокую точность, поскольку выбирались такие заболевания и их клинические признаки, которые были специфичны и непохожи на другие нозологические единицы [2-4, 25, 26]. Некоторые исследователи использовали ИНС для диагностики целиакии на основе возникновения поражений полости рта [19]. Другие исследователи использовали их для прогнозирования выживаемости онкологических пациентов, подвергающихся операциям на пищеводе. Несмотря на многообещающее применение ИНС, их использование в медицине всё еще ограничено и в основном сосредоточено на раке полости рта или других заболеваниях, имеющих признаки проявления в ротовой полости [7, 13, 27-29].
Среди нейронных сетей особо популярны сверточные нейронные сети (СНС). Они отлично подходят для современного глубокого обучения, которое является движущей силой
^ www.akvarel2002.ru
развития ИИ в последние годы. СНС представляют собой регуляризиро-ванные версии многослойных пер-цептронов [9, 30-32]. Многослойные перцептроны обычно означают полностью связанные сети, то есть каждый нейрон в одном слое связан со всеми нейронами в следующем слое. Полная связность этих сетей делает их склонными к переоценке данных. Типичные способы регулирования или предотвращения переподгонки включают штрафование параметров во время обучения или обрезание связности. СНС применяют другой подход к регуляризации: они учитывают преимущества иерархической структуры данных и собирают схемы возрастающей сложности, используя более мелкие и простые схемы, заложенные в их фильтрах [33-35]. В настоящее время существует множество программ и систем поддержки принятия клинических решений, которые работают по определенному алгоритму замкнутого цикла. Система не может выполнить ни одного вычисления или действия, не предусмотренного алгоритмом, поэтому такой уровень организации подходит только для систем поддержки принятия клинических решений, которые дополняют общее понимание проблемы врачом, ограждая его от обширного анализа метаданных [7, 13, 29, 34].
ИНС представляют собой мощный инструмент, помогающий врачам-стоматологам проводить диагностику и просчитывать вероятность наступления исходов болезней [1, 11, 36, 37]. В этом отношении ИНС имеют ряд преимуществ, таких как:
• способность обрабатывать большое количество данных,
• снижение вероятности упущения из виду значимой информации,
• сокращение времени диагностики различных заболеваний.
Кроме того, их использование делает диагноз более надежным и, следовательно, повышает удовлетворенность пациентов. Однако, несмотря на их широкое применение в современной диагностике, они должны рассматриваться только как инструмент, облегчающий принятие окончательного решения клиницистом, который в конечном итоге несет ответственность за критическую оценку результатов работы нейронных сетей. Методы обобщения и обработки
СТОМАТОЛОГИЯ
информативных и интеллектуальных данных постоянно совершенствуются и могут внести большой вклад в эффективную, точную и быструю медицинскую диагностику [37-39].
Машинное обучение или Machine/Deep Learning
Второй уровень организации ИИ — машинное обучение (МО). Оно предполагает расширение алгоритмов решения конкретных задач методами оценки и сравнения полученных данных. МО является частью более широкого семейства методов машинного обучения, основанных на ИНС. Обучение может быть контролируемым, полуконтролируемым или неконтролируемым [14, 40-42].
Прилагательное «глубокий» (deep) в обучении относится к использованию нескольких слоев в сети. Ранние работы показали, что линейный перцептрон не может быть универсальным классификатором, в отличие от сети с неполиноминальной функцией активации с одним скрытым слоем неограниченной ширины. Глубокое машинное обучение (ГМО) — это современная вариация, в которой рассматривается неограниченное количество слоев ограниченного размера, что допускает практическое применение и оптимизированную реализацию, сохраняя теоретическую универсальность при несложных условиях. В ГМО слои также могут быть неоднородными и сильно отклоняться от биологически обоснованных моделей ради эффективности, обучаемости и понятности. Поэтому данный метод обучения более структурирован по сравнению с ИНС, хоть и имеет схожие протоколы в своей базе [32, 37, 42-45].
Однако в применении методов МО всё еще существуют следующие проблемы.
1. Сложно получить множество высококачественных и унифицированных наборов данных. Для более точного извлечения признаков для обучающей модели исследователям необходимо получить числовые и нечисловые точные наборы данных. Однако различный профессиональный уровень клиницистов приведет к неравномерному качеству наборов данных. Кроме того, общих данных о поражениях полости рта в клинических условиях, казалось бы, доста-
точно, но эти данные часто распределяются по разным больницам, вместо того чтобы быть общими с учетом конфиденциальности пациента. Поэтому для обучения моделей доступно очень мало данных по сравнению с другими областями [8, 21].
2. Рискованно использовать прогностические или диагностические модели. Хотя модель имеет высокую точность при лабораторных исследованиях, предиктивные или диагностические модели могут ошибаться в клинических диагнозах из-за индивидуальных симптомов пациента [21, 46-48].
3. Требуется много энергии для обучения большой модели машинного обучения.
4. Черный ящик. Для того чтобы повысить доверие стоматологов, модели необходимо объяснить, как они получают результаты диагностики и прогнозирования. Из-за сложности алгоритма эти модели считаются черными ящиками, которым исследователям трудно объяснить внутренний механизм [11, 15, 37, 43, 44, 49-51].
Полноценный искусственный интеллект
Наконец, 3-й уровень организации системы ИИ — это установка системы в состояние автономности без зависимости от оператора, но под его строгим контролем. Здесь уже используются различные симуля-ционные протоколы, оборудование, тренажеры и учебные кейсы для образовательных целей. Практически все условия, приближенные к реальности, уже можно смоделировать с помощью данных роботов, систем и другого программного обеспечения (ПО) [10, 33, 52].
ИИ работает в двух фазах: «обучение» на первом этапе и «тестирование» на втором. Параметры набора моделей определяются обучающими данными. Ретроспективно модель использует данные из предыдущих примеров, например, данные пациента или данные из наборов данных, содержащих различные примеры. Затем эти параметры применяются к тестовым наборам [5].
ИИ, также известный как машинный интеллект, функционирует подобно машинам. Он придерживается фундаментальной иерархии машин: вход, обработка и выход [23]. В сто-
www.akvarel2002.ru
матологии входными данными могут быть голосовые данные (звуки наконечника), текстовые данные (медицинские или лечебные записи, экспериментальные параметры) или данные изображения (спектральные или рентгенографические изображения, фотографии) [53, 54]. Нейронные сети обрабатывают эти входные данные и выдают результат. Результатом может быть прогноз, диагноз, план лечения или предвидение болезни. ИИ может интерпретировать клинические признаки, проводить цефало-метрический анализ или распознавать поражения на основе различия вокселей для постановки диагноза. ИИ прогнозирует лечение на основе предоставленных данных, выделяя нормальные структуры, стимулируя и оценивая результаты, преобразуя голосовые данные или соединяя массивы данных из CAD/CAM. Софт на основе ИИ может предвидеть заболевание или его вероятность путем анализа генов, определения приоритетности факторов риска или прогнозирования исхода [32, 44, 45, 55, 56].
Применение ИИ становится реальностью, которая находит свое применение во всех областях жизни современного человека. Постоянно предпринимаются усилия по разработке роботов, управляемых ИИ, с целью создания максимального удобства и комфорта жизни людей. По мере того, как ИИ будет использован во всей медицинской сфере, роль ИИ в стоматологии будет значительно шире [8, 24, 52]. В настоящее время использование ИИ выходит за рамки текстовой информации, а также информации, основанной на цифровых изображениях стоматологической диагностики, таких как рентген-исследование, ОПТГ, КТ. В дополнение к диагностике визуально подтвержденного кариеса и удаленных зубов активно ведутся исследования, применяющие МО на основе искусственных нейронных сетей для анализа результатов магнитно-резонансной томографии, телерентгенограммы и цефаломе-трической рентгенографии [14, 15, 20-22, 34, 36, 37, 40, 41, 52, 57].
Однако существенным отличием является то, что это ПО не является ИИ, а работает только по заранее заданным алгоритмам. До сих пор не существует ПО, способного
самостоятельно обучаться и преподавать [28, 31]. Мы считаем, что это основная тенденция развития цифровых и информационных технологий в медицине в целом и стоматологии в частности.
ВЫВОДЫ
Обобщая полученные результаты, мы можем сделать следующие выводы:
1. В настоящее время в стоматологии нет ПО, которое по праву можно позиционировать как ИИ. Существующие программы представляют собой замкнутые статичные алгоритмы обработки информации без принятия клинических решений и выводов.
2. Создание программного обеспечения ИИ значительно облегчит работу стоматологов с ежедневными огромными массивами качественных и унифицированных данных, сэкономив время и мозговые ресурсы врачей.
3. Программы поддержки принятия врачебных решений могут быть внедрены и использованы не только в ПК, но и в программах интраораль-ных сканеров, 30-принтерах и аддитивных технологий, которые будут решать задачи без участия оператора, но под его полным контролем.
4. Создание нового, беспрецедентного ПО позволит коммерциализировать инвестиции по всему миру и во всех отраслях медицины, так как исходный код алгоритма является изме-
няемым и редактируемым, что позволит адаптировать систему к любой медицинской специальности.
Данное исследование проведено в рамках выполнения гранта по программе Старт-1, договор №4521 ГС 1/73957 с ФГБУ «Фонд содействия развитию малых форм предприятий в научно-технической сфере» о предоставлении гранта на проведение научно-исследовательских и опытно-конструкторских работ по теме «Разработка и тестирование прототипа программного обеспечения поддержки принятия врачебных решений при установке дентальных им-плантатов, с учетом прогнозирования нейронными сетями на основе индивидуальных особенностей пациента».
СПИСОК ЛИТЕРАТУРЫ
1. Тутуров Н. С., Оборотистов Н. Ю., Иванов С. С. и др. Разработка web-интерфейса для автоматизированного цефалометрического анализа прямых и боковых телерентгенограмм /Стоматология славянских государств. Сборник трудов XIV Международной научно-практической конференции. Белгород, 2021. С. 283-284.
2. De Ceulaer J., De Clercq C., Swennen G. R. Robotic surgery in oral and maxillofacial, craniofacial and head and neck surgery: a systematic review of the literature // Int. J. Oral Maxillofac. Surg. 2012. 41 (11): 1311-1324. DOI: 10.1016/j.ijom.2012.05.035.
3. Jordan M. I., Mitchell T. M. Machine learning: Trends, perspectives, and prospects // Science. 2015. 349 (6245): 255-260.
4. De Angelis F., Pranno N., Franchina A., et al. Artificial Intelligence: A New Diagnostic Software in Dentistry: A Preliminary Performance Diagnostic Study // International Journal of Environmental Research and Public Health. 2022. 19 (3): 1728. 10.3390/ijerph19031728.
5. Мураев А. А., Кибардин И. А., Оборотистов Н. Ю. и др. Использование нейросетевых алгоритмов для автоматизированной расстановки цефалометрических точек на телерентгенограммах головы в боковой проекции // Российский электронный журнал лучевой диагностики. 2018. №4. Т. 8. С. 16.
6. Осипова М. В. Прогнозирование эффективности сложных лечебно-профилактических программ при воспалительных заболеваниях пародонта / Материалы конференции «Актуальные вопросы клинической и экспериментальной медицины». СПб., 2007. С. 345.
7. Manjusha K., Sankaranarayanan K., Seena P. Prediction of Different Dermatological Conditions Using Na ve Bayesian Classification // International Journal of Advanced Research in Computer Science and Software Engineering. 2014. 4 (1): 864-868.
8. Muraev A. A., Tsai P. A., Kibardin I. A., et al. Frontal Cephalometric Landmarking: Human vs. Artificial Neural Network // International Journal of Computerized Dentistry. 2020. 23 (2): 139-148.
9. Jung Y., Hu J. A K-fold averaging cross-validation procedure // Journal of Nonparametric Statistics. 2015. 27(2): 167-179.
10. Buchanan J. A. Use of simulation technology in dental education // J. Dent. Educ. 2001. 65 (11): 1225-1231.
11. Abdalla M. Evaluation of Data Mining Classification Models // IUG Journal of Natural and Engineering Studies. 2014. 22 (1): 151-165.
12. Kaur G., Oberai N. Na ve. Bayes Classifier with Modified Smoothing Techniques for Better Spam Classification // International Journal of Computer Science and Mobile Computing. 2014. 3 (10): 869-878.
13. Liao S., Chu P., Hsiao P. Data mining techniques and applications — A decade review from 2000 to 2011 // Expert Systems with Applications. 2012. 39(12): 11303-11311.
14. Oliviera A., Baldisserotto C., Baldisserotto J. A Comparative Study on Machine Learning Techniques for Prediction of Success of Dental Implants / MICAI 2005: Advances in Artificial Intelligence. 2005. 3789: 939-948.
15. Amato F., L pez A., Pe a-M ndez E. M., et al. Artificial neural networks in medical diagnosis // J. Appl Biomed. 2013. 11 (2): 47-58. DOI: 10.2478/ v10136-012-0031-x.
16. Patil Sh., Albogami S, Hosmani J., et al. Artificial Intelligence in the Diagnosis of Oral Diseases: Applications and Pitfalls // Diagnostics. 2022. 12 (5): 1029. 10.3390/diagnostics12051029.
17. Sonali B., Wankar P. Research Paper on Basic of Artificial Neural Network // International Journal on Recent and Innovation Trends in Computing and Communication. 2014. 2 (1): 96-100.
18. Speight P. M., Elliott A. E., Jullien J. A., et al. The use of artificial intelligence to identify people at risk of oral cancer and precancer // Br Dent J. 1995. 179: 382-387.
19. Huang T. K., Yang C. H., Hsieh Y. H., et al. Augmented reality (AR) and virtual reality (VR) applied in dentistry // Kaohsiung J. Med. Sci. 2018. 34 (4): 243-248. DOI: 10.1016/j.kjms.2018.01.009.
20. Rehman A., Khanum A. Swarm Optimized Fuzzy Reasoning Model (SOFRM) for Diabetes Diagnosis // Life Science Journal. 2014. 11 (3): 42-49.
21. Rokach L., Maimon O. Data Mining with Decision Trees, Theory and Applications / 2nd Edition: World Scientific Publishing Company, 2014. 328 p.
22. Sang J. Lee, Dahee Chung, Akiko Asano, et al. Diagnosis of Tooth Prognosis Using Artificial Intelligence // Diagnostics. 2022.12. (6): 1422. 10.3390/diagnostics12061422.
23. Thurzo A., Urbanov W., Nov k B., et al. Where Is the Artificial Intelligence Applied in Dentistry? Systematic Review and Literature Analys // Healthcare. 2022. 10 (7): 1269. 10.3390/healthcare10071269.
24. Boonstra P., Taylor J., Mukherjee B. Incorporating auxiliary information for improved prediction in high-dimensional datasets: an ensemble of shrinkage approaches // Biostatistics. 2013. 14 (2): 259-272.
25. Gehi B., Siddavatam I. Network Bandwidth Predictive analysis using Stacking // International Journal on Recent and Innovation Trends in Computing and Communication. 2014. 2 (8): 2166-2170.
26. Hauser R. et al. Sensitivity, Specificity, Positive and Negative Predictive Values and Diagnostic Accuracy of DaTscan™ (Ioflupane I123 Injection): Predicting Clinical Diagnosis in Early Clinically Uncertain Parkinsonian Syndrome // Journal of Neurology & Stroke. 2014. 1 (1): 1-13.
27. Korting T. C4.5 algorithm and Multivariate Decision Trees / IEEE Computer Society, 2013.
28. Kwoh Y. S., Hou J., Jonckheere E. A., et al. A robot with improved absolute positioning accuracy for CT guided stereotactic brain surgery // IEEE Trans Biomed Eng. 1988. 35: 153-160. DOI: 10.1109/10.1354.
V^JjffijiH СТОМАТОЛОГИЯ
29. Lueth T. C., Hein A., Albrecht J., et al. A surgical robot system for maxillofacial surgery / IEEE international conference on Industrial Electronics, Control and Instrumentation (IECON), 1998. P. 2470-2475.
30. Huang X. Support Vector Machine Classifier with Pinball Loss // Pattern Analysis and Machine Intelligence. 2013. 36 (5): 984-997.
31. Jung R. E., Pjetursson B. E., Glauser R., et al. A systematic review of the 5-year survival and complication rates of implant supported single crowns // Clinical Oral Implants Research. 2008. 19 (2): 119-130.
32. Wang T., Trappey C., Hoang S., et al. Constructing a dental implant ontology for domain specific clustering and life span analysis // Advanced Engineering Informatics. 2013. 27 (3): 346-357.
33. Chen Y., Wong M., Li H. Applying Ant Colony Optimization to configuring stacking ensembles for data mining // Expert Systems with Applications. 2014. 41 (6): 2688-2702.
34. Park W. J., Park J. B. History and application of artificial neural networks in dentistry. Eur J. Dent. 2018. 12 (4):594-601. DOI: 10.4103/ejd. ejd_325_18. PMID: 30369809; PMCID: PMC6178664.
35. Paul R. R., Mukherjee A., Dutta P. K., et al. A novel wavelet neural network based pathological stage detection technique for an oral precancerous condition // J. Clin. Pathol. 2005. 58: 932-938.
36. Щекина Е. Н. Использование системного подхода для создания систем поддержки принятия решений в медицине (обзор литературы) // Вестник новых медицинских технологий. Электронный журнал. 2017. №2. Публикация 8-3.
37. Ahmed S. I., Javed G., Mubeen B., et al. Robotics in neurosurgery: A literature review // J. Pak Med. Assoc. 2018. 68 (2): 258-263.
38. Серикова О. В., Елькова Н. Л., Соболева Н. А. и др. Применение нейросетевых технологий для дифференциальной диагностики тяжелых заболеваний с проявлениями в полости рта // Вестник новых медицинских технологий. Электронное издание. 2019. №5. Публикация 1-6.
39. Kavanagh K. T. Applications of image-directed robotics in otolaryngologic surgery // Laryngoscope. 1994. 104 (3 Pt 1): 283-293.
40. Nayak G. S., Kamath S., Pai K. M., et al. Principal component analysis and artificial neural network analysis of oral tissue fluorescence spectra: classification of normal premalignant and malignant pathological conditions // Biopolymers. 2006. 82:152-166.
41. O'Malley B. W. Jr., Weinstein G. S., Snyder W., et al. Transoral robotic surgery (TORS) for base of tongue neoplasms // Laryngoscope. 2006. 116 (8): 1465-1472.
42. Wey A., Connett J., Rudser K. Combining parametric, semi-parametric, and non-parametric survival models with stacked survival models // Biostatistics. 2015. 16 (3): 537-549.
43. Van Staveren H. J., van Veen R. L., Speelman O. C., et al. Classification of clinical autofluorescence spectra of oral leukoplakia using an artificial neural network: a pilot study // Oral Oncol. 2000. 36: 286-293.
44. Wang C. Y., Tsai T., Chen H. M., et al. PLS-ANN based classification model for oral submucous fibrosis and oral carcinogenesis // Lasers Surg Med. 2003. 32: 318-326.
45. Yang P., Yang Y., Zhou B., et al. A Review of Ensemble Methods in Bioinformatics // Current Bioinformatics. 2010. 5 (4): 296-308.
46. Горюнова В. В., Истомина Т. В., Молодцова Ю. В. и др. Декларативное моделирование информационного обеспечения автоматизированных комплексов медицинского назначения / Сборник статей IV Всероссийской научно-технической конференции «Информационные и управленческие технологии в медицине и экологии». Пенза: ПДЗ, 2010. С. 30-33.
47. Койчубеков Б. К., Омарбекова Н. К., Абдуллина З. Т. и др. Информационные технологии в медицинском образовании / Карагандинский государственный медицинский университет // Международный журнал экспериментального образования. 2014. №3. С. 58.
48. Rahulamathavan Y., Phan R., Veluru S., et al. Privacy-Preserving Multi-Class Support Vector Machine for Outsourcing the Data Classification in Cloud // Dependable and Secure Computing. 2013. 11 (5): 467-479.
49. Cracchiolo J. R., Roman B. R., Kutler D. I., et al. Adoption of transoral robotic surgery compared with other surgical modalities for treatment of oropharyngeal squamous cell carcinoma // J. Surg. Oncol. 2016. 114 (4): 405-11. DOI: 10.1002/jso.24353.
50. Suganuma T., Kaizawa N., Ono Y., et al. Development of virtual patient system to improve a fundamental clinical skill // J. Japan Assoc Simul-Based Edu Healthcare Profess. 2013. 1: 1-5.
51. Zupan J., Gasteiger J. Neural networks in chemistry and drug design / Wiley VCH. Weinheim, 1999. 380 p.
52. Braga et al. Decision Model to Predict the Implant Success // Computational Science and Its Applications. 2012. 7333: 665-674.
53. Колонтарев К. Б., Пушкарь Д. Ю., Говоров А. В. и др. История развития роботических технологий в медицине // Известия высших учебных заведений. Поволжский регион. Медицинские науки. 2014. №4 (32). С. 125-140.
54. Малахова Н. Е., Силин А. В., Шматко А. Д. и др. Повышение эффективности ортодонтического лечения зубочелюстных аномалий с использованием информационных систем // Вестник Северо-Западного государственного медицинского университета им. И. И. Мечникова. 2018. Т. 10. №4. C. 23-30.
55. Zamorano L., Li Q., Jain S., et al. Robotics in neurosurgery: state of the art and future technological challenges // Int. J. Med. Robot. 2004. 1 (1): 7-22.
56. Ziv A., Wolpe P. R., Small S. D., et al. Simulation-based medical education: an ethical imperative // Acad. Med. 2003. 78: 783-788.
57. Whalen S., Pandey G. A Comparative Analysis of Ensemble Classifiers: Case Studies in Genomics / Icahn School of Medicine at Mount Sinai. New York, USA, 2013. 10 p.
АВТОРСКАЯ СПРАВКА
Долгалев Александр Александрович — доктор медицинских наук, доцент, профессор кафедры стоматологии общей практики и детской стоматологии, начальник центра инноваций и трансфера технологий научно-инновационного объединения ФГБОУ ВО «Ставропольский государственный медицинский университет» МЗ РФ; профессор кафедры клинической стоматологии с курсом ХС и ЧЛХ Пятигорского медико-фармацевтического института — филиал Волгоградского государственного медицинского университета, г. Ставрополь. ORCID: https://orcid.org/0000-0002-6352-6750. e-mail: dolgalev@dolgalev.pro.
Мураев Александр Александрович — доктор медицинских наук, профессор кафедры челюстно-лицевой хирургии и хирургической стоматологии ФГАОУ Во «Российский университет дружбы народов», г. Москва. ORCID: https://orcid.org/0000-0003-3982-5512. SPIN-код: 1431-5936, AuthorID: 611838; e-mail: muraev_aa@pfur.ru.
Ляхов Павел Алексеевич — заведующий кафедрой математического моделирования, факультета математики и компьютерных наук им. профессора Н. И. Червякова ФГАОУ ВО «Северо-Кавказский федеральный университет», г. Ставрополь. ORCID ID: https://orcid. org/0000-0003-0487-4779, e-mail: ljahov@mail.ru.
Ляхова Ульяна Алексеевна — младший научный сотрудник отдела модулярных вычислений и искусственного интеллекта СевероКавказского центра математических исследований ФГАОУ ВО «Северо-Кавказский федеральный университет», г. Ставрополь. ORCID ID: https://orcid.org/0000-0002-2949-7036; e-mail: uljahovs@mail.ru.
Чониашвили Давид Зурабович — кандидат медицинских наук, доцент кафедры терапевтической, хирургической и детской стоматологии с курсом имплантологии, реконструктивной хирургии полости рта, детской ЧЛХ, декан медицинского факультета ФГБОУ ВО «Северо-Осетинский государственный университет им. Коста Левановича Хетагурова» (СОГУ), главный врач Клинико-диагностического центра стоматологии СОГУ, г. Владикавказ, e-mail: davidchoniashvili@mail.ru.
Золотаев Кирилл Евгеньевич — соискатель кафедры стоматологии общей практики и детской стоматологии ФГБОУ ВО «Ставропольский государственный медицинский университет» МЗ РФ, г. Ставрополь. ORCID ID: https://orcid.org/0000-0003-2347-5378, e-mail: kzolotaev@yandex.ru.
Семериков Дмитрий Юрьевич — врач-стоматолог-ортопед, стоматолог-хирург ООО «Стоматологическая клиника Валентина», г. Ня-гань. ORCID: https://orcid.org/0000-0001-8843-4580. E-mail: sim2457@gmail.com.
Аванисян Вазген Михайлович — ординатор 1-го года обучения кафедры терапевтической стоматологии ФГБОУ ВО «Ставропольский государственный медицинский университет» МЗ РФ, г. Ставрополь. ORCID: https://orcid.org/0000-0002-0316-5957, SPIN-код: 1207-9234. e-mail: avanvaz@yandex.ru.
