Тюмень, Тюменская область, Россия
Тюмень, Тюменская область, Россия
сотрудник
Тюмень, Тюменская область, Россия
Тюмень, Тюменская область, Россия
Тюмень, Тюменская область, Россия
УДК 616.31 Стоматология. Заболевания ротовой полости и зубов
Актуальность. В рамках данного исследования был проведен обзор современных научных данных, посвящённых актуальной проблеме стоматологии — улучшению качества ортопедического лечения за счёт внедрения технологий искусственного интеллекта. Предмет. В ортопедической стоматологии искусственный интеллект (ИИ) представляет собой передовую технологию, способную точно анализировать клинические данные, применять «обученные алгоритмы» для решения различных задач (определение границы препарирования, планирование протезирования, проектирование конструкций и др.) и адаптировать эти решения в зависимости от конкретных клинических условий и требований к реабилитации. Цель работы заключается в изучении научной литературы, опубликованной с 2017 по 2025 годы, для оценки потенциала ИИ в повышении эффективности и точности зубного и челюстно-лицевого протезирования. Материалы и методы. Методологическая база исследования включала анализ 54 публикаций, охватывающих инновационные подходы к диагностике, планированию лечения и созданию прецизионных ортопедических конструкций с использованием алгоритмов нейросетевых моделей и машинного обучения. Результаты. Хотя обработка изображений с помощью искусственного интеллекта (ИИ) является устоявшейся практикой в медицине, стоматологическая отрасль, опираясь на CAD/CAM-технологии, претерпевает собственную цифровую эволюцию. Значимым вектором последних лет становится интеграция ИИ. В сфере ортопедической стоматологии ИИ способствует автоматизации рутинных операций, создавая предпосылки для прорыва в точности диагностики, планирования лечения и изготовления несъемных и съемных конструкций, что в конечном итоге повышает качество протезирования. Выводы. 1. Выявлены значительные достоинства ИИ в протезировании: автоматизированное составление плана лечения, оптимизация ключевых этапов реабилитации: эффективная обработка данных (конусно-лучевые компьютерные томограммы, 3D-сканы), выбор конструкции и цвета, определение позиции имплантатов, что сокращает время лечения без потери точности. 2. Требуется улучшение алгоритмов, повышение их прецизионности и разработка новых методов обработки данных.
искусственный интеллект, машинное обучение, нейросети, протезирование, ортопедическая стоматология, имплантация
1. Незнамов А.В. Правовые аспекты реализации национальной Стратегии развития искусственного интеллекта до 2030 года. Вестник Университета имени О. Е. Кутафина. 2019;(12):82-88. [Neznamov A.V. Legal aspects of the implementation оf the National strategy for the development of artificial intelligence until 2030. Courier of the Kutafin Moscow State Law University. 2019;(12):82-88. (In Russ.)]. https://www.elibrary.ru/item.asp?id=41880086
2. Линдигрин А.Н. Искусственные нейронные сети как основа глубинного обучения. Известия ТулГУ. Технические науки. 2019;(12):468-472. [Lindigrin A.N. Deep learning technologies in neural networks. Izvestiâ Tulʹskogo gosudarstvennogo universiteta. Tehničeskie nauki. 2019;(12):468-472. (In Russ.)]. https://elibrary.ru/item.asp?id=41746234
3. Ругина И.А. Анализ изменений практики стоматологического ортопедического лечения и его результатов в регионах России за 10-летний период; диссертация на соискание ученой степени кандидата медицинских наук. Москва; 2022. 158 с. [Rugina I.A. Analysis of changes in the practice of dental orthopedic treatment and its results in the regions of Russia over a 10-year period; dissertation for the degree of Candidate of Medical Sciences. Moscow; 2022. 158 p. (In Russ.)].
4. Мураев А.А., Кибардин И.А., Оборотистов Н.Ю., Иванов С.С., Иванов С.Ю., Персин Л.С. Использование нейросетевых алгоритмов для автоматизированной расстановки цефалометрических точек на телерентгенограммах головы в боковой проекции. Российский электронный журнал лучевой диагностики. 2018;8(4):16-22. [Muraev A.A., Kibardin I.A., Oborotistov N.Yu., Ivanov S.S., Ivanov S.Yu., Persin L.S. Use of neural network algorithms for the automated arrangement of cephalometric markers on lateral cefalograms. Russian Electronic Journal of Radiology. 2018;8(4):16-22. (In Russ.)]. https://www.elibrary.ru/item.asp?id=36766125
5. Коломийцева Е.К., Манафова А.В. Сравнение внутриротовых цифровых сканеров в ортопедической стоматологии. В: СБОРНИК ТЕЗИСОВ 83-ей межрегиональной научно-практической конференции с международным участием студенческого научного общества им. профессора Н. П. Пятницкого; Краснодар; 27–28 апреля 2022 года. Краснодар: Федеральное государственное бюджетное образовательное высшего образования «Кубанский государственный университет» Министерства здравоохранения Российской Федерации; 2022. С. 821-823. [Kolomiitseva E.K., Manafova A.V. Comparison of intraoral digital scanners in prosthodontics. In: COLLECTION OF ABSTRACTS OF the 83rd interregional scientific and practical conference with international participation of the Student Scientific Society named after Professor N. P. Pyatnitsky; Krasnodar; April 27-28, 2022. Krasnodar: Federal State Budgetary Educational Institution of Higher Education "Kuban State University" of the Ministry of Health of the Russian Federation; 2022. P. 821-823. (In Russ.)].
6. Потекаев Н.Н., Доля О.В., Фриго Н.В., Атабиева А.Я., Майорова Е.М. Искусственный интеллект в медицине. Общие положения. Философские аспекты. Клиническая дерматология и венерология. 2022;21(6):749‑756. [Potekaev N.N., Dolya O.V., Frigo N.V., Atabieva A.Y., Mayorova E.M. Artificial intelligence in healthcare: general considerations and philosophical aspects. Russian Journal of Clinical Dermatology and Venereology. 2022;21(6):749‑756. (In Russ.)]. https://doi.org/10.17116/klinderma202221061749
7. Симакова А.А., Горбатова М.А., Русанов Д.С., Карякин А.А., Гржибовский А.М. Применение искусственных нейронных сетей в практике врача-ортодонта: обзор российских исследований за период 2013-2023. Вестник новых медицинских технологий. 2024;18(4):24-35. [Simakova A.A., Gorbatova M.A., Rusanov D.S., Karyakin A.A., Grzhibovsky A.M. Application of artificial neural networks in orthodontic practice: a review of russian studies for the period 2013-2023. Journal of New Medical Technologies. 2024;18(4):24-35. (In Russ.)]. https://www.elibrary.ru/item.asp?id=69158660
8. Стожаров П.А., Ермолаев Г.А., Стожарова Л.П., Вольмурадов Э.В. Искусственный интеллект в стоматологии на примере программы Diagnocat. В: Актуальные вопросы стоматологии: сборник научных трудов, посвященный основателю кафедры ортопедической стоматологии КГМУ, профессору Исаак Михайловичу Оксману; Казань; 13 марта 2024 года. Казань: Казанский государственный медицинский университет; 2024. С. 907-909. [Stozharov P.A., Ermolaev G.A., Stozharova L.P., Vol'muradov E.V. In: Topical issues of dentistry: a collection of scientific papers dedicated to the founder of the Department of Orthopedic Dentistry at KSMU, Professor Isaac Mikhailovich Oxman; Kazan; March 13, 2024. Kazan: Kazan State Medical University; 2024. P. 907-909. (In Russ.)]. https://www.elibrary.ru/item.asp?id=68643065
9. Тимофеев Д.Е. Совершенствование деятельности стоматологических ортопедических отделений, использующих современные технологии; диссертация на соискание ученой степени кандидата медицинских наук; 14.01.14; 14.02.03. Москва; 2020. 192 с. [Timofeev D.E. Improving the activities of dental orthopedic departments using modern technologies; dissertation for the degree of Candidate of Medical Sciences; 14.01.14; 14.02.03. Moscow; 2020. 192 p. (In Russ.)].
10. Шайдуров А.С. Проблема ответственности за действия автономных систем искусственного интеллекта в РФ: юридические и этические вызовы. Вектор научной мысли. 2024;(6):507-509. [Shaidurov A.S. The problem of responsibility for the actions of autonomous artificial intelligence systems in the RF: legal and ethical challenges. Vektor naučnoj mysli. 2024;(6):507-509. (In Russ.)]. https://elibrary.ru/item.asp?id=69027624
11. Хаддур З.А. Искусственный интеллект и права человека: юридическая и этическая ответственность за ущерб, причиненный технологиями искусственного интеллекта. Право и управление. 2023;(3):18-23. [Khaddour Z.A. Artificial intelligence and human rights: legaland ethical liability for damage caused by artificial intelligence technologies. Law and management. 2023;(3):18-23. (In Russ.)]. https://www.elibrary.ru/item.asp?id=53950411
12. Alam M.K., Alfawzan A.A. Dental characteristics of different types of cleft and non-cleft individuals. Frontiers in cell and developmental biology. 2020;8:789. https://doi.org/10.3389/fcell.2020.00789 PMID:32984313
13. Aljulayfi I.S., Almatrafi A.H., Althubaitiy R.O., Alnafisah F., Alshehri K., Alzahrani B. et al. The Potential of Artificial Intelligence in Prosthodontics: A Comprehensive Review. Medical science monitor. 2024;30:e944310. https://doi.org/10.12659/MSM.944310
14. Alshadidi A.A.F., Alshahran A.A., Aldosari L.I.N., Chaturvedi S., Saini R.S., Hassan S.A.B. et al. Investigation on the Application of Artificial Intelligence in Prosthodontics. 2023;13(8):5004. https://doi.org/10.3390/app13085004
15. Arif S., Alam. M.T., Ansari A.H., Shaikh M.B.N., Siddiqui M.A. Analysis of tribological behaviour of zirconia reinforced Al-SiC hybrid composites using statistical and artificial neural network technique. Materials Research Express. 2018;5(5):056506. https://doi.org/10.1088/2053-1591/aabec8
16. Elgarba B.M., Fontenele R.C., Mangano F., Jacobs R. Novel AI-based automated virtual implant placement: Artificial versus human intelligence. Journal of Dentistry. 2024;147:105146. https://doi.org/10.1016/j.jdent.2024.105146
17. Bernauer S.A., Zitzmann N.U., Joda T. The Use and Performance of Artificial Intelligence in Prosthodontics: A Systematic Review. Sensors. 2021;21(19):6628. https://doi.org/10.3390/s21196628
18. Bernauer S.A., Müller J., Zitzmann N.U., Joda T. Influence of Preparation Design, Marginal Gingiva Location, and Tooth Morphology on the Accuracy of Digital Impressions for Full-Crown Restorations: An In Vitro Investigation. Journal of clinical medicine. 2020;9(12):3984. https://doi.org/10.3390/jcm9123984
19. Chen Y., Du H., Yun Z., Yang S., Dai Z., Zhong L. et al. Automatic Segmentation of Individual Tooth in Dental CBCT Images From Tooth Surface Map by a Multi-Task FCN. IEEE Access. 2020;8:97296-97309. http://doi.org/10.1109/ACCESS.2020.2991799
20. Chen Z., Liu Y., Liu Y., Xie X., Deng F. Influence of bone density on the accuracy of artificial intelligence–guided implant surgery: An in vitro study. Journal of Prosthetic Dentistry. 2024;131(2):254-261. https://linkinghub.elsevier.com/retrieve/pii/S0022391321004145
21. Cheng C., Cheng X., Dai N., Tang T., Xu Z., Cai J. Facial morphology prediction after complete denture restoration based on principal component analysis. Journal of Oral Biology and Craniofacial Research. 2019;9(3):241-250. https://doi.org/10.1016/j.jobcr.2019.06.002.
22. Choi J., Ahn J., Park J.M. Deep learning-based automated detection of the dental crown finish line: An accuracy study. The Journal of prosthetic dentistry. 2024;132(6):1286.e1-1286.e9. https://doi.org/10.1016/j.prosdent.2023.11.018
23. Currie G. Intelligent imaging: Anatomy of machine learning and deep learning. Journal of nuclear medicine technology. 2019;47(4):273-281. https://doi.org/10.2967/jnmt.119.232470
24. Deniz S.T., Ozkan P., Ozkan G. The accuracy of the prediction models for surface roughness and micro hardness of denture teeth. Dental Materials Journal. 2019;38(6):1012-1018. https://doi.org/10.4012/dmj.2018-014
25. Ding H., Wu J., Zhao W., Matinlinna J.P., Burrow M.F., Tsoi J.K.H. Artificial intelligence in dentistry. Frontiers in Dental Medicine. 2023;4:1085251. https://doi.org/10.3389/fdmed.2023.1085251
26. Ali I.E., Sumita Y., Wakabayashi N. Advancing maxillofacial prosthodontics by using pre-trained convolutional neural networks: Image-based classification of the maxilla. Journal of prosthodontics. 2024;33(7):645-654. https://doi.org/10.1111/jopr.13853
27. Róth I., Géczi Z., Végh D.C., Hegedüs T., Pál A., Hermann P. et al. The role of artificial intelligence in intraoral scanning for complete-arch digital impressions: An in vitro study. Journal of Dentistry. 2025;156:105717. https://doi.org/10.1016/j.jdent.2025.105717
28. Gemeda B.A., Sinha D.K., Mengesha G.A., Gautam S.S. Optimization of porosity behavior of hybrid reinforced titanium metal matrix composite through RSM, ANN, and GA for multi-objective parameters. Journal of Engineering and Applied Science. 2024;71:116. https://doi.org/10.1186/s44147-024-00436-4
29. Jurek J., Wójtowicz W., Wójtowicz A. Syntactic pattern recognition-based diagnostics of fetal palates. Pattern Recognition Letters. 2020;133:144-150. http://dx.doi.org/10.1016/j.patrec.2020.02.023
30. Joda T., Gallucci G., Wismeijer D., Zitzmann N. Augmented and virtual reality in dental medicine: A systematic review. Computers in biology and medicine. 2019;108:93-100. https://doi.org/10.1016/j.compbiomed.2019.03.012
31. Lee J.H., Kim H.K. A comparative study of shade-matching performance using intraoral scanner, spectrophotometer, and visual assessment. Scientific Reports. 2024;14(1):23640. https://doi.org/10.1038/s41598-024-74354-z
32. Kong H.J., Kim Y.L. Application of artificial intelligence in dental crown prosthesis: a scoping review. BMC Oral Health. 2024;24(1):937. https://doi.org/10.1186/s12903-024-04657-0
33. Nagata K., Inoue E., Nakashizu T., Seimiya K., Atsumi M., Kimoto K. et al. Verification of the accuracy and design time of crowns designed with artificial intelligence. The Journal of Advanced Prosthodontics. 2025;17(1):1-10. https://doi.org/10.4047/jap.2025.17.1.1
34. Lee J.H., Jeong S.N. Efficacy of deep convolutional neural network algorithm for the identification and classification of dental implant systems, using panoramic and periapical radiographs: A pilot study. Medicine. 2020;99(26):e20787. https://doi.org/10.1097/MD.0000000000020787
35. Lee J.H., Kim D.H., Jeong S.N. Diagnosis of cystic lesions using panoramic and cone beam computed tomographic images based on deep learning neural network. Oral diseases. 2020;26(1):152-158. https://doi.org/10.1111/odi.13223
36. Lerner H., Mouhyi J., Admakin O., Mangano F. Artificial intelligence in fixed implant prosthodontics: A retrospective study of 106 implant-supported monolithic zirconia crowns inserted in the posterior jaws of 90 patients. BMC Oral Health. 2020;20(1):80. https://doi.org/10.1186/s12903-020-1062-4
37. Macrì M., D’Albis V., D’Albis G., Forte M., Capodiferro S., Favia G. et al. The Role and Applications of Artificial Intelligence in Dental Implant Planning: A Systematic Review. Bioengineering. 2024;11(8):778. https://doi.org/10.3390/bioengineering11080778
38. Mai H.N., Han J.S., Kim H.S., Park Y.S., Park J.M., Lee D.H. Reliability of automatic finish line detection for tooth preparation in dental computer-aided software. Journal of prosthodontic research. 2023;67(1):138-143. https://doi.org/10.2186/jpr.JPR_D_21_00344
39. Mangano F., Gandolfi A., Luongo G., Logozzo S. Intraoral scanners in dentistry: a review of the current literature. BMC Oral Health. 2017;17(1):149. https://doi.org/10.1186/s12903-017-0442-x
40. Machado R.A., de Oliveira Silva C., Martelli-Junior H., das Neves L.T., Coletta R.D. Machine learning in prediction of genetic risk of nonsyndromic oral clefts in the Brazilian population. Clinical oral investigations. 2021;25(3):1273-1280 https://doi.org/10.1007/s00784-020-03433-y
41. Oh K.C., Park J.M., Moon H.S. Effects of Scanning Strategy and Scanner Type on the Accuracy of Intraoral Scans: A New Approach for Assessing the Accuracy of Scanned Data. Journal of prosthodontics. 2020;29(6):518-523. https://doi.org/10.1111/jopr.13158
42. Revilla-León M., Gómez-Polo M., Vyas S., Barmak A.B., Özcan M., Att W. et al. Artificial intelligence applications in restorative dentistry: A systematic review. The Journal of prosthetic dentistry. 2022;128(5):867-875. https://doi.org/10.1016/j.prosdent.2021.02.010
43. Sakai T., Li H., Shimada T., Kita S., Iida M., Lee C. et al. Development of artificial intelligence model for supporting implant drilling protocol decision making. Journal of prosthodontic research. 2023;67(3):360-365. https://doi.org/10.2186/jpr.JPR_D_22_00053
44. Saravi B., Vollmer A., Hartmann M., Lang G., Kohal R.-J., Boeker M. et al. Clinical performance of CAD/CAM All-ceramic tooth-supported fixed dental prostheses: A systematic review and meta-analysis. Materials (Basel). 2021;14(10):2672. https://doi.org/10.3390/ma14102672
45. Sawangsri K., Bekkali M., Lutz N., Alrashed S., Hsieh Y.L. et al. Acceptability and deviation of finish line detection and restoration contour design in single-unit crown: Comparative evaluation between 2 AI-based CAD software programs and dental laboratory technicians. The Journal of prosthetic dentistry. 2025:S0022-3913(25)00286-0. https://doi.org/10.1016/j.prosdent.2025.03.037
46. Schiebl J., Bauer F.X., Grill F., Loeffelbein D.J. RapidNAM: algorithm for the semi-automated generation of nasoalveolar molding device designs for the presurgical treatment of bilateral cleft lip and palate. IEEE transactions on bio-medical engineering. 2020;67(5):1263-1271. https://doi.org/10.1109/tbme.2019.2934907
47. Singh J., Singh S., Verma A. Artificial intelligence in use of ZrO2 material in biomedical science. Journal of Electrochemical Science and Engineering. 2025;13(1):83-97. https://doi.org/10.5599/jese.1498
48. Shafi N., Bukhari F., Iqbal W., Almustafa K.M., Asif M., Nawaz Z. Cleft prediction before birth using deep neural network. Health informatics journal. 2020;26(4):2568-2585. https://doi.org/10.1177/1460458220911789
49. Takahashi T., Nozaki K., Gonda T., Ikebe K. A system for designing removable partial dentures using artificial intelligence. Part 1. Classification of partially edentulous arches using a convolutional neural network. Journal of Prosthodontic Research. 2021;65(1):115-118. https://doi.org/10.2186/jpr.JPOR_2019_354
50. Wang X., Alqahtani K.A., Van den Bogaert T., Shujaat S., Jacobs R., Shaheen E. Convolutional neural network for automated tooth segmentation on intraoral scans. BMC Oral Health. 2024;24(1):804. https://doi.org/10.1186/s12903-024-04582-2
51. Yuan F., Cheng C., Dai N., Sun Y. Prediction of aesthetic reconstruction effects in edentulous patients. Scientific reports. 2017;7(1):18077. https://doi.org/10.1038/s41598-017-17065-y
52. Mine Y., Suzuki S., Eguchi T., Murayama T. Applying deep artificial neural network approach to maxillofacial prostheses coloration. Journal of Prosthodontic Research. 2020;64(3):296-300. https://doi.org/10.1016/j.jpor.2019.08.006
53. Zhang S.J., Meng P., Zhang J., Jia P., Lin J., Wang X. et al. Machine learning models for genetic risk assessment of infants with non-syndromic orofacial cleft. Genom Proteom Bioinformat. 2018;16(5):354-364. https://doi.org/10.1016/j.gpb.2018.07.005
54. Chen Z., Liu Y., Liu Y., Xie X., Deng F. Influence of bone density on the accuracy of artificial intelligence–guided implant surgery: An in vitro study. Journal of Prosthetic Dentistry. 2024;131(2):254-261. https://linkinghub.elsevier.com/retrieve/pii/S0022391321004145
