Методы искусственного интеллекта в медицинской диагностике

  • № 2 (2) 2022

Страницы: 

7

 – 

15

Язык: русский

Открыть файл статьи
Открыть страницу статьи в Интернет

Аннотация

Настоящая работа посвящена применению методов искусственного интеллекта для решения проблем, возникающих в стоматологии при постановке диагноза. Проведен анализ существующих информационных технологий для диагностики в Кабардино-Балкарской республике, получена оценка экономической эффективности внедрения результатов работы, как бизнес-модель в Кабардино-Балкарской республике, приводятся методические рекомендации по внедрению и использованию результатов работы в медицину Кабардино-Балкарской республики. Практическая значимость полученных результатов заключается в том, что разработанный проект «Keep Smiling 3D» может быть внедрен в любую стоматологическую клинику Кабардино-Балкарской республики. Результаты работы будут полезны стоматологическим клиникам, врачам-стоматологам, производителям зубных протезов.

This work is devoted to the application of artificial intelligence methods to solve problems that arise in dentistry when making a diagnosis. The analysis of existing information technologies for diagnostics in the Kabardino-Balkar Republic is carried out, an assessment of the economic efficiency of the implementation of the results of work as a business model in the Kabardino-Balkar Republic is obtained, methodological rec-ommendations for the implementation and use of the results of work in the medicine of the Kabardino-Balkar Republic are given. The practical significance of the results ob-tained lies in the fact that the developed project «Keep Smiling 3D» can be implemented in any dental clinic of the Kabardino-Balkarian Republic. The results of the work will be useful to dental clinics, dentists, manufacturers of dentures.

Список использованных источников

  1. Петров Ю.К. К вопросу о распознавании образа // Известия ТПУ. 1968. №. URL:https://cyberleninka.ru/article/n/k-voprosu-o-raspoznavanii-obraza.
  2. Иванов В.Г., Крылов Б.А. Распознавание образов в изображениях // Научно-технический вестник информационных технологий, механики и оптики. 2007. №40. URL:https://cyber-leninka.ru/article/n/raspoz-navanie-obrazov-v-izobrazheni-yah.
  3. Шахин Г. Сравнительный анализ библиотек компьютерного зрения // Colloquium-journal. 2019. №24 (48). URL: https://cyberleninka.ru/arti-cle/n/sravnitelnyy-analiz-bibli-otek-kompyuternogo-zreniya.
  4. Лугуев Т.С. Методы компьютерного анализа выражения человеческого лица// Известия ЮФУ.Технические науки. 2013. №5 (142). URL:https://cyber-leninka.ru/article/n/metody-kompyuternogo-analiza-vyra-zheniya-chelovecheskogo-litsa.
  5. Ергалиев Д. С. Сравнительный анализ методов распознавания образов // НиКа. 2011. №. URL:https://cyberleninka.ru/arti-cle/n/sravnitelnyy-analiz-metodov-raspoznavaniya-obra-zov.
  6. Царев А. Г. Принципы и методы автоматического распознавания образов // НиКа. 2010. №. URL:https://cyberleninka.ru/arti-cle/n/printsipy-i-metody-avto-maticheskogo-raspoznavaniya-obrazov.
  7. He, K., Zhang, X., Ren, S., Sun, J. Deep residual learning for image recognition // Proceedings of the IEEE Computer Society Confer-ence on Computer Vision and Pat-tern Recognition. 2016. 7780459, P. 770-778. URL: https://ieeexplore.ieee.org/document/7780459
  8. Redmon, J., Divvala, S., Girshick, R., Farhadi, A. You only look once: Unified, real-time object de-tection // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2016. 7780460, с. 779-788. URL: https://ieeexplore.ieee.org/document/7780460
  9. Ганцев Ш.Х., Франц М.В. Искусственный интеллект как инструмент поддержки в принятии решений по диагностике онкологических заболеваний // Медицинский вестник Башкортостана. 2018. №4 (76). URL:https://cyberleninka.ru/arti-cle/n/iskusstvennyy-intellekt-kak-instrument-podderzhki-v-prinyatii-resheniy-po-diagnostike-onkologicheskih-zabolevaniy.
  10. Гаврилов Д.А., Закиров Э.И., Гамеева Е.В., Семенов В.Ю., Александрова О.Ю. Автоматизированная диагностика меланомы кожи на основе математической модели искусственной сверточной нейронной сети // Research'nPracticalMedicineJournal. 2018. №3. URL: https://cyberleninka.ru/arti-cle/n/avtomatizirovannaya-diag-nostika-melanomy-kozhi-na-os-nove-matematicheskoy-modeli-is-kusstvennoy-svertochnoy-neyron-noy-seti.
  11. Лучинин А.С. Искусственный интеллект в гематологии//Клиническая онкогематология. 2022. №1. URL: https://cyberleninka.ru/article
  12. Lee, S., Kim, D., Jeong, H.-G. Detecting 17 fine-grained dental anomalies from panoramic dental radiography using artificial intelli-gence//Scientific Reports. 2022. 12(1),5172. URL: https://www.nature.com/articles/s41598-022-09083-2.
  13. Liu, C., Wang, L., Lu, W. and oth-ers Computer vision-aided bi-oprinting for bone research//Bone Research. 2022. 10(1),21. URL: https://www.nature.com/articles/s41413-022-00192-2.
  14. Lee, J.-G., Jun, S., Cho, Y.-W. and others Deep learning in medical imaging: General over-view // Korean Journal of Radiol-ogy. 2017. 18(4), с. 570-584.URL:https://www.kjronline.org/DOIx.php?id=10.3348/kjr.2017.18.4.570.
  15. Neumann, Ł., Nowak, R., Stępień, J., Solan, R., Jahnz-Różyk, K. Thermography based skin allergic reaction recognition by convolu-tional neural networks // Scientific Reports. 2022. 12(1). 2648. URL: https://www.nature.com/articles/s41598-022-06460-9.
  16. Нагоев З.В. Интеллектика, или мышление в живых и искусственных системах. Нальчик: Изд-во КБНЦ РАН, 2013. С. 16.
  17. Нагоев З.В., Пшенокова И.А., Канкулов С.А., Аталиков Б.А., Айран А.А. Фомрмальная модель мультиагентного поиска оптимального плана поведения интеллектуального агента на основе самоорганизации распределенных нейрокогнитивных архитектур. Нальчик: Известия Кабардино-Балкарского научного центра РАН № 3 (101) 2021.
  18. Ходашинский И.А. Нечеткие классификаторы в диагностике сердечно-сосудистых заболеваний. Обзор// СМЖ. 2020. №4. URL:https://cyberleninka.ru/article/n/nechetkie-klassifikatory-v-diagnostike-serdechno-sosudistyh-zabolevaniy-obzor.

Список всех публикаций, цитирующих данную статью