Возможности современных алгоритмов и ограничения автоматической диагностики
В разговорах со стоматологами всё чаще можно услышать, что медицинские изображения уже анализирует искусственный интеллект, поэтому участие врача-рентгенолога постепенно становится необязательным.
В отношении магнитно-резонансной томографии височно-нижнечелюстного сустава такое представление пока опережает реальное развитие технологий. Современные алгоритмы действительно способны ускорять получение изображений, сегментировать анатомические структуры и выявлять отдельные признаки. Однако решение одной или нескольких заранее определённых задач ещё не означает полноценного анализа МРТ ВНЧС.
Что сегодня называют искусственным интеллектом в МРТ
Под общим термином «искусственный интеллект» могут подразумеваться технологии, выполняющие принципиально разные функции.
Ускорение получения изображений
Алгоритмы могут участвовать в реконструкции МР-изображений, уменьшая шум и позволяя сократить время сканирования.
В проспективном исследовании Zheng Ye и соавторов AI-assisted compressed sensing позволил сократить протокол МРТ ВНЧС с 13 минут 28 секунд до 6 минут 8 секунд. Качество изображений оказалось сопоставимым или более высоким, а согласованность при оценке смещения диска и внутрисуставной жидкости была хорошей или отличной. Однако исследование включало только 51 пациента и проводилось в одном учреждении. Кроме того, алгоритм улучшал процесс получения изображений, но не выполнял их самостоятельную интерпретацию.
Распознавание отдельных изменений
Большинство моделей, разработанных для МРТ ВНЧС, решают узкие классификационные или сегментационные задачи:
определяют положение суставного диска;
выявляют переднее смещение диска;
сегментируют диск и костные структуры;
обнаруживают внутрисуставную жидкость;
оценивают признаки дегенеративных изменений.
В исследовании Yeon-Hee Lee и соавторов алгоритм анализировал сагиттальные МР-изображения 2520 суставов. Модель для выявления переднего смещения диска достигла площади под ROC-кривой 0,8775 и точности около 77%. Объединение нескольких моделей повысило точность примерно до 83%. При этом анализ ограничивался конкретным признаком на сагиттальных изображениях и не представлял собой комплексную оценку всего исследования.
В другой работе той же исследовательской группы модель выявляла внутрисуставную жидкость на изображениях 2948 суставов. Лучший алгоритм достиг AUC 0,7895. Результат подтверждает возможность автоматического распознавания выпота, но одновременно показывает, что даже на большой выборке диагностическая эффективность модели остаётся далёкой от безошибочной.
Переход от одной задачи к нескольким
В 2026 году была опубликована модель M⁴4TMD, одновременно оценивающая три группы изменений: переднее смещение диска, дегенеративное заболевание сустава и выпот.
Авторы использовали 12 690 МР-изображений, полученных у 765 пациентов. На внутренней тестовой выборке точность составила:
74,9% для дегенеративных изменений;
78,2% для переднего смещения диска;
90,5% для внутрисуставной жидкости.
Модель тестировалась на внутренних, временных и внешних выборках и показала результаты, сопоставимые с оценками опытных врачей-стоматологов. Это важный этап развития мультимодальных алгоритмов. Тем не менее программа по-прежнему решала три заранее заданные задачи и не формировала полноценное рентгенологическое заключение по всему объёму МРТ. Кроме того, сравнение проводилось с врачами-стоматологами, а не с врачами-рентгенологами, специализирующимися на МРТ ВНЧС.
Почему обнаружение смещения диска не равно описанию МРТ ВНЧС
Полноценный анализ МРТ ВНЧС не ограничивается определением положения суставного диска на отдельных изображениях. Необходимо последовательно оценить:
положение и форму диска в закрытом и открытом рте;
наличие или отсутствие вправления диска;
всевозможные направления смещения диска;
целостность диска и состояние биламинарной зоны;
наличие внутрисуставной жидкости и изменений синовиальной оболочки;
форму и структуру головки мыщелкового отростка;
состояние костного мозга;
суставную ямку и суставной бугорок;
трансляцию мыщелка и кинематику сустава;
латеральную крыловидную и другие жевательные мышцы;
окружающие мягкие ткани и случайные находки на уровне сканирования.
Далее врач должен определить, является ли обнаруженное изменение вариантом строения, адаптивным ремоделированием, дегенеративным процессом, последствием травмы, воспалительным или опухолевым заболеванием либо артефактом исследования.
Алгоритм, обученный выявлять переднее смещение диска, не обязан распознавать изменение костного мозга, денервацию мышцы, объёмное образование околоушной железы или патологический процесс основания черепа. Он может правильно решить поставленную задачу и одновременно пропустить другую значимую находку.
Ограничения существующих исследований
Систематический обзор Mitul Manek и соавторов включил 13 исследований применения искусственного интеллекта при МРТ ВНЧС. Большинство моделей оценивали положение диска, одна работа была посвящена прогнозированию его перфорации. Данных по автоматическому распознаванию дегенерации и фрагментации диска практически не было. Двенадцать из тринадцати исследований были выполнены в азиатских странах, преимущественно на данных отдельных учреждений. Это ограничивает переносимость результатов на другие популяции, томографы и протоколы сканирования.
Более поздний систематический обзор и метаанализ 2026 года включил 14 исследований, но только шесть из них предоставили данные, пригодные для количественного объединения. Статистическая неоднородность превышала 90%, а внешняя проверка моделей оставалась ограниченной. Авторы пришли к выводу, что перед внедрением таких решений необходимы стандартизированные многоцентровые исследования.
На результаты алгоритмов могут влиять:
производитель и модель томографа;
напряжённость магнитного поля;
тип катушки;
набор и параметры импульсных последовательностей;
толщина и ориентация срезов;
артефакты движения и металлоконструкций;
возраст и состав исследуемой популяции;
качество обучающей разметки;
выбор эталонного диагноза.
Высокая точность на внутренней тестовой выборке не гарантирует аналогичного результата при использовании программы в другом диагностическом центре.
Может ли искусственный интеллект сформировать заключение
Языковая модель способна составить связный и грамматически правильный текст. Она может структурировать уже выявленные изменения, адаптировать описание под заданный шаблон и проверять согласованность описательной части и заключения.
Однако качество текста зависит от качества исходных данных. Если алгоритм не распознал патологическое изменение, оно не появится в заключении. Убедительная формулировка сама по себе не доказывает правильность проведённого анализа.
Для автономного описания МРТ ВНЧС программа должна получить весь массив DICOM, распознать последовательности и положение нижней челюсти, сопоставить изображения в закрытом и открытом рте, проанализировать кинематику, оценить все анатомические структуры, выявить случайные находки и сформировать дифференцированное заключение с указанием ограничений исследования.
Клинически валидированной модели, выполняющей весь этот комплекс задач без контроля врача-рентгенолога, в настоящее время нет.
Вывод
Искусственный интеллект уже применяется при МРТ ВНЧС. Он способен ускорять сканирование, сегментировать структуры сустава и распознавать отдельные изменения. Новые мультимодальные модели постепенно переходят от одной задачи к одновременной оценке нескольких признаков.
Тем не менее обнаружить отдельное изменение — не значит описать всё исследование.
На современном этапе искусственный интеллект следует рассматривать как инструмент поддержки врача-рентгенолога: он может ускорить работу, стандартизировать отдельные этапы анализа и обратить внимание на возможную находку. Окончательная интерпретация должна учитывать весь объём МРТ, биомеханику сустава, диагностический запрос, сопутствующие изменения и ограничения метода.