Как понять, что у вас кариес, по фото? Рассказываем, как мы учили AI быть стоматологом

Привет! На связи команда delai.digital. Мы специализируемся на разработке и внедрении решений на базе AI и LLM.

Расскажем, с какими трудностями мы столкнулись и каких результатов достигли, не раскрывая коммерческой тайны.

Ключевые тезисы кейса

• Разработали для Smile‑AI модель, способную проводить первичную оценку состояния зубов по фото.
• Проанализировали и разметили несколько тысяч изображений для обучения нейросети.
• Научили модель отличать кариес от зубного камня и пигментных пятен.
• Достигли точности обнаружения кариеса более 92%.
• Создали систему, которая выдаёт результат анализа в удобном для дальнейшей обработки формате.

Поймать кариес на ранней стадии

Кариес — одно из самых распространённых заболеваний в мире. Если его не лечить, он может привести к боли, инфекции и более сложному лечению. Ранняя диагностика повышает шансы на простое и щадящее вмешательство.

Клиент Smile‑AI пришёл к нам с идеей создать инструмент, который позволил бы пользователям проводить быструю самооценку состояния зубов по фото со смартфона.

Как работает диагностика у стоматологов?

Чтобы глубже понять задачу, мы консультировались со стоматологами. Традиционно врач осматривает полость рта с помощью зеркала, подсветки и инструментов, обращая внимание на подозрительные участки эмали.

Наша цель — автоматизировать этот первичный осмотр. Система должна была по фотографии определить наличие двух ключевых проблем:

• Кариес — поражение твёрдых тканей зуба.
• Зубной камень — отвердевший налёт.

Начали с данных

Главная проблема в проектах компьютерного зрения — данные. Нужен большой и, что важнее, качественный датасет с корректной разметкой.

Для обучения мы использовали сверточные нейронные сети (CNN), хорошо зарекомендовавшие себя в анализе медицинских изображений. Мы решили отслеживать:

• Наличие проблемы: есть ли признаки кариеса или камня.
• Тип проблемы: кариес или камень.
• Локализацию: в какой части зуба находится участок (для будущей детализации).

Определили метрики эффективности

1. Точность обнаружения (Detection Accuracy): насколько хорошо модель в принципе находит проблемные участки.
2. Точность классификации (Classification Accuracy): способность модели отличать кариес от зубного камня.

Локализация и классификация: один эффективный путь

Мы сделали ставку на одноэтапную модель‑детектор, которая одновременно находит проблемные участки и определяет их класс (например, YOLOv8).

Такой подход позволил создать быструю и эффективную систему без усложнения архитектуры несколькими моделями — важное преимущество для MVP и мобильных сценариев.

Проблема неоднозначности: «Это пятно или кариес?»

Даже с мощной моделью одной из главных трудностей стала неоднозначность данных. То, что один специалист может оценить как начальный кариес, другой примет за пигментацию.

Решение нашлось не в изменении архитектуры, а в улучшении качества данных. Вместе с клиентом мы разработали подробные гайдлайны для разметчиков, провели ревизию датасета и повторную разметку.

После переобучения модели на более качественных данных точность заметно выросла: модель надёжнее отличает кариес от зубного камня и пигментации.

Собираем всё в единую систему

1. Пользователь загружает фотографию зубов через сайт клиента Smile‑AI.
2. Изображение отправляется на наш backend‑сервис в облаке.
3. Модель YOLOv8 анализирует фото, находит и классифицирует проблемные участки.
4. Результат возвращается в виде структурированного отчёта.

После доработок и переобучения мы добились впечатляющих результатов:

• Точность обнаружения проблем — более 92%.
• Точность классификации (кариес/камень) — более 89%.

Для специалистов Smile‑AI данные выгружаются в простом формате: ID изображения, обнаруженная проблема и уверенность модели. Это упрощает последующий анализ и сбор статистики.

Что в итоге

Система стала ядром MVP продукта Smile‑AI. Пользователь получает быструю и удобную первичную оценку состояния зубов, не выходя из дома. Это пример того, как AI может быть «помощником» врача: автоматизировать рутину и мотивировать внимательнее относиться к своему здоровью.

Важно: инструмент вспомогательный, не ставит диагноз и не заменяет визит к врачу. В планах у Smile‑AI — расширение набора классов заболеваний, повышение точности и возможная интеграция с телемедициной.