Искусственный интеллект в детской стоматологии: где он уже работает и способен ли заменить врача?
Авторы: Маслак Е. Е., Худанов Б. О., Шхагошева А. А., Матвиенко Н. В., Туйгунов Н., Абдурахимова Ф. А., Каменнова Т. Н., Костовинская О. А.
Журнал: Клиническая стоматология, 2026, 29 выпуск
Ссылка на оригинальный источник
Искусственный интеллект постепенно становится частью современной стоматологии. Алгоритмы уже умеют анализировать рентгенограммы и внутриротовые фотографии, распознавать кариозные поражения, оценивать зубной налет, прогнозировать риск развития кариеса и даже предлагать варианты диагностики и лечения.
Особенно интересны возможности ИИ в детской стоматологии. Работа с детьми имеет множество особенностей: временный и смешанный прикус, незавершенное формирование корней постоянных зубов, сложности клинического осмотра и необходимость учитывать не только стоматологический статус, но и возраст, поведение ребенка, сведения от родителей и множество факторов риска.
Насколько хорошо искусственный интеллект справляется с такими задачами?
Авторы систематического обзора, опубликованного в журнале «Клиническая стоматология» в 2026 году, проанализировали современные исследования применения ИИ в детской стоматологии. В итоговый анализ вошла 41 работа, опубликованная в 2020–2025 годах.
Результаты показывают: возможности технологии действительно впечатляют, но диапазон диагностической эффективности пока остается очень широким. В разных исследованиях точность составляла примерно 72–99%, чувствительность — 20–100%, специфичность — 49–100%.
Поэтому главный вопрос сегодня заключается уже не в том, может ли искусственный интеллект быть полезен стоматологу, а в том, какие задачи ему действительно можно доверить и где решение по-прежнему должен принимать врач.
Где искусственный интеллект уже применяется в детской стоматологии?
Большинство исследований сосредоточено на нескольких направлениях:
- анализе рентгенологических изображений;
- распознавании заболеваний по внутриротовым фотографиям;
- диагностике и прогнозировании кариеса;
- оценке зубного налета и гигиены полости рта;
- определении возраста ребенка;
- создании виртуальных помощников для врачей и родителей;
- обучении студентов и молодых специалистов;
- управлении поведением и тревожностью ребенка во время стоматологического приема.
Наиболее активно развивается именно диагностическое направление: алгоритм получает изображение, анализирует его и пытается определить присутствующие на нем структуры или признаки заболевания.
Анализ рентгенограмм: одно из самых перспективных направлений
Рентгенологическая диагностика стала одной из основных областей применения искусственного интеллекта в стоматологии в целом и в детской практике в частности.
Алгоритмы машинного и глубокого обучения используются для анализа ортопантомограмм и прицельных рентгенограмм. Они могут идентифицировать временные и постоянные зубы, находить зачатки постоянных зубов, распознавать сверхкомплектные зубы и мезиоденс, определять стадии развития зубов и помогать в диагностике кариеса.
Идентификация временных и постоянных зубов
В одном из исследований ИИ анализировал 421 ортопантомограмму детей 5–7 лет. Точность автоматического распознавания временных зубов составила 95,7%.
В другом исследовании, включавшем 448 панорамных рентгенограмм детей со смешанным прикусом, алгоритм правильно дифференцировал временные и постоянные зубы в 92,5% случаев, а пломбы — в 91%.
Подобные системы потенциально могут облегчать анализ большого количества снимков, однако особую ценность они могут иметь в обучении и для специалистов с небольшим клиническим опытом.
Поиск сверхкомплектных зубов и мезиоденса
Еще одно направление, в котором ИИ демонстрирует хорошие результаты, — обнаружение сверхкомплектных зубов.
Алгоритмы обучались распознавать их на панорамных рентгенограммах как во временном и смешанном, так и в постоянном прикусе.
В одном из исследований при выявлении мезиоденса точность, чувствительность и специфичность превысили 97%.
Другая система определяла зачатки постоянных зубов у детей 5–13 лет с точностью 94,16%. Подобный инструмент может быть особенно полезен при подозрении на отсутствие или, наоборот, наличие дополнительных зачатков.
Может ли ИИ определить возраст ребенка по зубам?
Отдельное направление исследований связано с определением возраста по ортопантомограммам.
Такая технология может использоваться не только в стоматологии, но и, например, в судебной медицине. Алгоритм анализирует развитие зубов и костных структур и на основании полученных признаков оценивает возраст пациента.
Результаты исследований существенно различались.
Для детей 6–12 лет в одной из работ точность достигала 96–99%, а ошибка определения возраста составляла приблизительно 2,3–7,5 месяца.
В другом исследовании у пациентов 6–20 лет показатели в зависимости от возрастной группы составляли 72,3–93,6%.
В работе 2025 года, включавшей 3790 ортопантомограмм, ошибка определения возраста составляла примерно 1,15–1,28 года.
ИИ также изучался как инструмент для выявления задержки дентального возраста у детей с задержкой роста. Полученные результаты выглядят перспективно, однако авторы обзора подчеркивают необходимость проспективных исследований.
Есть и другая проблема: алгоритмы необходимо обучать на больших и разнообразных наборах данных. Чтобы система одинаково надежно работала с разными пациентами, нужны изображения представителей различных географических регионов, расовых и национальных групп.
Почему детские рентгенограммы оказались сложнее взрослых?
Высокая эффективность ИИ в одних задачах вовсе не означает, что алгоритм одинаково хорошо справляется со всеми особенностями детской стоматологии.
Особенно показательны результаты анализа ортопантомограмм детей в период смешанного прикуса.
В одном исследовании ИИ значительно хуже определял состояние постоянных зубов у детей, чем у взрослых. Особенно много ложноположительных результатов возникало при диагностике периапикальной патологии.
Причина вполне объяснима.
На детской ортопантомограмме одновременно могут присутствовать:
- временные зубы с физиологически резорбирующимися корнями;
- постоянные зубы с незавершенным формированием корней;
- зачатки постоянных зубов;
- структуры, характерные для разных стадий формирования зубочелюстной системы.
Алгоритм должен отличить нормальные возрастные изменения от патологических. И именно здесь ограниченность обучающей выборки становится особенно заметной.
В одном из исследований чувствительность ИИ при оценке различных состояний составляла от 15 до 100%, а точность отдельных оценок — всего 7–38%.
То есть высокая эффективность алгоритма при одной диагностической задаче совершенно не гарантирует аналогичного результата при другой.
Искусственный интеллект и диагностика кариеса по рентгенограммам
Более убедительные результаты получены при диагностике отдельных типов кариозных поражений.
В исследовании 2024 года алгоритм анализировал прицельные рентгенограммы премоляров и моляров детей до 12 лет и определял кариес контактных поверхностей.
Получены следующие показатели:
- чувствительность — 88,8%;
- специфичность — 98,8%;
- точность — 95,8%.
ИИ может быть полезен не только непосредственно в диагностике, но и в обучении.
В исследовании с участием 130 студентов использование компьютерной системы при оценке прицельных рентгенограмм увеличивало точность, чувствительность и специфичность распознавания проксимального кариеса примерно на 10–15%.
Поэтому одно из наиболее реалистичных направлений использования таких систем сегодня — не замена специалиста, а дополнительный «второй взгляд», особенно при обучении студентов и молодых врачей.
Диагностика по обычной фотографии: стоматология в смартфоне?
Второе крупное направление — анализ внутриротовых фотографий.
Это особенно интересно для телестоматологии: в перспективе для первичной оценки состояния зубов может быть достаточно качественной фотографии, сделанной камерой или даже смартфоном.
Алгоритмы уже обучаются:
- распознавать временные и постоянные зубы;
- определять их нумерацию;
- находить кариозные поражения;
- различать начальный и более глубокий кариес;
- распознавать молярно-резцовую гипоминерализацию;
- выявлять признаки несовершенного амелогенеза и флюороза;
- обнаруживать и оценивать зубной налет.
Распознавание зубов
В исследовании 2025 года система анализировала 3215 окклюзионных фотографий верхней и нижней челюстей.
Чувствительность автоматического определения зубов достигла 99,9%, а точность — 95,7%.
Лучше всего алгоритм распознавал моляры верхней челюсти, хуже — нижние клыки.
Подобная технология может быть полезна для телестоматологии и эпидемиологических исследований, особенно в регионах, где доступ к стоматологической помощи ограничен.
Насколько хорошо ИИ видит кариес на фотографиях?
Результаты здесь также выглядят многообещающе.
В одном исследовании алгоритм анализировал 712 фотографий, включавших более 9000 отдельных участков зубов.
Для кариозных полостей чувствительность составила 96%, а специфичность — 97%.
Для начального кариеса в области фиссур и ямок показатели достигли 95,8 и 99% соответственно.
При распознавании проксимального кариеса чувствительность была несколько ниже — 88,1%, при специфичности 97,1%.
ИИ также способен помогать человеку интерпретировать изображения. В исследовании, посвященном диагностике начального кариеса по фотографиям, помощь алгоритма повышала точность оценок не только студентов, но и выпускников и опытных врачей.
Это важный момент: потенциальная ценность технологии заключается не обязательно в автономной постановке диагноза. ИИ может выступать системой поддержки принятия решений и обращать внимание врача на участки, которые требуют дополнительной оценки.
Не только кариес: гипоминерализация, амелогенез и флюороз
Алгоритмы компьютерного зрения обучаются различать и другие заболевания твердых тканей зубов.
Исследователи изучали возможность автоматического распознавания:
- молярно-резцовой гипоминерализации;
- несовершенного амелогенеза;
- флюороза;
- различных вариантов кариозных поражений.
В отдельных исследованиях точность диагностики заболеваний твердых тканей достигала 92,86%.
Для молярно-резцовой гипоминерализации сообщалась точность распознавания 95,2%.
Такие системы рассматриваются не только как клинический инструмент, но и как средство обучения: студент может анализировать изображение самостоятельно, после чего сравнивать свое решение с результатом работы алгоритма.
Однако исследователи отдельно обращают внимание на необходимость клинической валидации подобных систем. Хороший результат на специально подготовленном наборе профессиональных фотографий еще не означает, что программа будет столь же надежной в реальной практике.
AICaries: когда родитель сам фотографирует зубы ребенка
Одним из наиболее интересных примеров практического применения технологии стала программа для смартфонов AICaries.
Она разрабатывалась в том числе для семей с низким социально-экономическим статусом.
Идея проста: родители регулярно фотографируют зубы ребенка, а система анализирует изображения и помогает обнаружить признаки раннего кариеса.
При этом приложение не ограничивается анализом фотографии. Оно может учитывать введенные родителями сведения:
- о гигиене полости рта;
- питании;
- демографических характеристиках;
- истории заболеваний;
- других факторах риска.
На основании этой информации программа оценивает риск появления кариозных полостей, предоставляет профилактические рекомендации, проверяет стоматологическую грамотность родителей и помогает найти стоматолога.
В теории такой подход может способствовать выявлению заболевания еще на ранних, потенциально обратимых стадиях.
Но на практике появились очевидные ограничения.
Программа, ориентированная на семьи с невысоким доходом, предполагает наличие достаточно современного смартфона. Для корректной работы нужны качественные фотографии всех зубов, тогда как родители чаще всего фотографируют только переднюю группу. Кроме того, на момент анализа имелись преимущественно данные о тестировании системы, а не о ее широком клиническом применении.
Может ли ИИ контролировать, насколько хорошо ребенок чистит зубы?
Еще одна необычная задача — автоматическое распознавание зубного налета.
Традиционная оценка налета требует времени и часто предполагает использование окрашивающих средств. Поэтому исследователи пытаются научить нейронные сети видеть неокрашенный налет на обычной фотографии.
В раннем исследовании 2020 года ИИ оценивал налет на временных зубах. Его результаты оказались лучше результатов стоматолога, хотя различия не достигли статистической значимости.
В более поздних исследованиях алгоритмы уже статистически лучше опытных стоматологов определяли и оценивали неокрашенный налет на фотографиях передних постоянных зубов.
Например, в одном исследовании чувствительность составила 65,1%, специфичность — 95,9%, а общая точность — 93,1%.
Такие системы потенциально могут использоваться для самостоятельного и родительского контроля гигиены.
Ребенок или родитель делает фотографию зубов смартфоном, а приложение показывает участки, которым необходимо уделить больше внимания при чистке.
Однако пока технология имеет ограничения. Алгоритм должен одинаково надежно распознавать налет:
- на передних и жевательных зубах;
- при разном освещении;
- под различными углами;
- на фотографиях с разных смартфонов и камер;
- при разном качестве изображения.
Именно поэтому авторы обзора считают необходимым дальнейшее совершенствование таких систем.
Может ли искусственный интеллект предсказать кариес еще до его появления?
Если распознавание уже существующего поражения — относительно понятная задача, то прогнозирование будущего заболевания значительно сложнее.
Тем не менее именно это направление может стать одним из наиболее важных для профилактической стоматологии.
ИИ способен одновременно анализировать множество факторов, между которыми человеку сложно быстро установить взаимосвязь.
Для прогнозирования кариеса исследователи использовали:
- результаты опросов родителей;
- данные клинического осмотра;
- показатели гигиены;
- пищевые привычки;
- социально-экономические факторы;
- сведения о стоматологическом здоровье родителей;
- показатели слюны;
- состав микробиома;
- генетические данные.
Какие факторы ИИ считает наиболее значимыми?
В исследовании более чем 6400 детей 3–5 лет алгоритм определил два особенно важных признака раннего детского кариеса: возраст ребенка и родительскую оценку его стоматологического здоровья.
Другие традиционные факторы — домашняя гигиена, использование фторидов, привычки, образование и др. — в этой модели имели меньшее значение.
В другом исследовании, включавшем 4195 детей 1–5 лет, были определены пять ключевых факторов:
- возраст ребенка;
- низкий доход семьи;
- чистка зубов один раз в день или реже;
- возраст матери старше 35 лет;
- КПУ матери более 7.
При этом модели машинного обучения показали лучшие результаты прогнозирования, чем традиционные подходы.
Что произойдет с зубами ребенка через 10 лет?
Особенно интересны результаты длительного проспективного исследования.
Первоначально были обследованы 639 детей 1–5 лет. Через два года повторно обследовали 467 детей, а через десять лет — 428.
ИИ использовали для определения факторов, способных предсказать развитие кариеса во временных и постоянных зубах.
Для временных зубов лучшим предиктором их состояния через два года оказался исходный уровень кариеса.
Для постоянных зубов через десять лет, кроме исходного кариозного статуса, значение имели:
- употребление сахаров;
- образование родителей;
- использование фторсодержащей зубной пасты.
Получается, что алгоритмы потенциально позволяют не просто оценить состояние ребенка сегодня, а сформировать индивидуальный профиль риска на годы вперед.
Слюна, микробиом и генетика: новые источники данных для ИИ
Еще более сложное направление — прогнозирование кариеса на основании биологических данных.
Например, исследовалась связь между уровнем цистатина C в слюне и ранним детским кариесом. Авторы обнаружили более низкие показатели у детей с РДК и рассматривают этот показатель как потенциальный кариеспротективный маркер.
В другом исследовании изучали микробиом слюны годовалых детей без кариеса. Через год часть детей оставалась здоровой, у части появился начальный кариес, а у остальных сформировались кариозные полости.
Модель ИИ продемонстрировала 80% точности, чувствительности и специфичности и выявила ассоциации с отдельными представителями микробиоты, включая Prevotella, Leptotrichia и Campylobacter.
Исследуются и генетические факторы.
В одной из моделей прогнозирования раннего детского кариеса на основании однонуклеотидных полиморфизмов точность составляла 73,6–87,2%. Среди ключевых генов-предикторов были выделены ENAM, MMP16, AMELX и TUFT1.
В другом исследовании генетическая модель хорошо выявляла подростков с высоким риском кариеса, однако хуже определяла пациентов с низким риском.
Таким образом, ИИ действительно способен находить сложные взаимосвязи между клиническими, поведенческими, микробиологическими и генетическими факторами. Но большинство подобных решений пока находятся на исследовательской стадии.
CariesPro: прогнозирование прироста кариеса
Более близкий к обычной клинической практике подход использован в программе CariesPro.
Для прогнозирования она учитывала показатели:
- кпу/КПУ;
- индекса гигиены OHI-S;
- теста эмалевой резистентности.
В исследование вошли дети, подростки и взрослые, а повторное обследование проводилось через год.
Точность прогнозирования прироста кариеса составила 83,6%.
Однако в целом авторы обзора отмечают общую проблему существующих прогностических систем: перечень факторов риска часто ограничен, а эффективность моделей редко подтверждена крупными проспективными клиническими исследованиями.
Поэтому сегодня прогноз ИИ нельзя рассматривать как самостоятельное основание для принятия клинических решений.
ChatGPT в детской стоматологии: насколько точны диагнозы?
Отдельный блок исследований посвящен генеративному искусственному интеллекту и чат-ботам.
Такие системы способны быстро отвечать на вопросы, анализировать информацию, предлагать варианты решения задачи и работать одновременно с текстовыми и визуальными данными.
Но насколько хорошо они справляются с реальной клинической ситуацией?
В исследовании 2025 года ChatGPT-4 сравнили с квалифицированными детскими стоматологами.
Системе предоставили 12 клинических случаев, содержащих описание клинической картины, фотографии и рентгенограммы. Всего оценивалось 36 стоматологических проблем.
Общая диагностическая точность ChatGPT составила 72,2%.
При диагностике кариеса результаты были значительно выше:
- чувствительность — 92,3%;
- специфичность — 100%.
Но когда от системы потребовалось не просто определить проблему, а выбрать план лечения, ситуация изменилась.
Точность планирования лечения составила только 47,2%.
Именно поэтому авторы рассматривают ChatGPT прежде всего как вспомогательный диагностический инструмент, а не систему самостоятельного принятия клинических решений.
Кто отвечает точнее: врач или чат-бот?
В другом исследовании 30 вопросов по детской стоматологии задавали сразу девяти популярным чат-ботам и сравнивали их ответы с ответами специалистов и студентов. Результаты правильных ответтов:
- детские стоматологи — 96,7%;
- стоматологи — 88%;
- студенты — 80,8%;
- чат-боты — 78%.
Таким образом, даже при достаточно хорошем среднем результате чат-боты уступали квалифицированным специалистам.
Особенно осторожно необходимо относиться к рекомендациям для родителей.
В исследовании 2025 года сравнивались ответы GPT-3.5 и Gemini на 17 сценариев, связанных с травмой зубов у детей, с ответами пяти квалифицированных детских стоматологов.
Вывод оказался однозначным: ответы специалистов были надежнее, тогда как рекомендации чат-ботов в отдельных ситуациях могли ввести родителей в заблуждение.
Следовательно, ИИ может помочь быстро получить общую информацию, но не должен заменять профессиональную консультацию, диагностику и лечение.
ИИ может помочь ребенку меньше бояться стоматолога?
Применение искусственного интеллекта в детской стоматологии не ограничивается диагностикой.
Отдельное направление связано с управлением поведением ребенка во время приема.
Для снижения тревожности исследуются:
- виртуальная реальность;
- интерактивные игры;
- роботизированные системы.
Виртуальная реальность способна отвлекать ребенка во время стоматологических процедур и уменьшать страх и субъективную чувствительность.
В исследовании 2020 года было показано, что использование робота также может снижать стоматологическую тревожность у детей.
Однако именно здесь особенно хорошо видна граница возможностей технологии.
ИИ не способен полноценно учитывать индивидуальные эмоциональные особенности ребенка, интерпретировать все невербальные сигналы, проявлять настоящую эмпатию и выстраивать доверительные отношения так, как это делает опытный детский стоматолог.
Работа с поведением ребенка — навык, который врач формирует годами, и технологический инструмент может лишь дополнить его.
Почему при впечатляющих результатах ИИ все еще не стал стандартом?
На первый взгляд показатели некоторых исследований выглядят практически идеальными: точность выше 95%, специфичность 98–100%, способность распознавать отдельные заболевания на уровне опытного врача.
Однако общий диапазон результатов гораздо шире.
В рассмотренных авторами исследованиях показатели диагностической эффективности существенно различались:
- точность — 72–99%;
- чувствительность — 20–100%;
- специфичность — 49–100%.
В процитированном авторами метаанализе 33 исследований диапазон был еще шире: точность составляла примерно 60–99%.
Такой разброс показывает одну из главных проблем ИИ: результат зависит не только от самой технологии, но и от данных, на которых ее обучали и тестировали.
Если алгоритм обучался на качественных профессиональных фотографиях, нельзя автоматически считать, что он столь же хорошо проанализирует снимок, сделанный родителем на смартфон при плохом освещении.
Если модель обучалась на рентгенограммах одной группы пациентов, ее эффективность может измениться при работе с другой популяцией.
Если система хорошо определяет кариес, это еще не означает, что она способна надежно выбрать оптимальную тактику лечения.
Главные ограничения искусственного интеллекта
Авторы систематического обзора выделяют несколько принципиальных препятствий для широкого внедрения ИИ в детскую стоматологию.
1. Недостаточный объем и неоднородность данных
Для качественного обучения алгоритмов необходимы большие базы данных. Причем важен не только объем. В выборке должны быть представлены пациенты разных возрастов, регионов, национальностей и с различными клиническими ситуациями. Особенно это важно в детской стоматологии, где внешний вид зубочелюстной системы существенно изменяется по мере роста ребенка.
2. Недостаток клинической валидации
Высокая точность на тестовой выборке не равна доказанной эффективности в реальной клинической практике. Многие существующие алгоритмы пока оценивались ретроспективно. Для подтверждения их надежности необходимы крупные проспективные клинические исследования.
3. Отсутствие единых стандартов
Пока нет универсальной методологии разработки и проверки стоматологических ИИ-систем. Разные исследования используют разные наборы данных, алгоритмы, критерии и показатели эффективности, из-за чего напрямую сравнивать результаты сложно.
4. Конфиденциальность и персональные данные
Работа ИИ может предполагать обработку медицинской информации, фотографий и рентгенограмм пациентов. Следовательно, необходимо обеспечить соответствие законодательству о персональных данных, конфиденциальность и безопасность информации.
5. Кто отвечает за ошибку ИИ?
Это один из наиболее сложных вопросов. Если алгоритм предлагает неправильный диагноз или ошибочную тактику лечения и пациенту причинен вред, кто несет ответственность? Врач, который воспользовался рекомендацией? Разработчик системы? Медицинская организация? Или ответственность должна распределяться между несколькими сторонами? Пока эти вопросы требуют отдельного правового регулирования и создания механизмов контроля.
ИИ против врача — или ИИ вместе с врачом?
Вероятно, сама постановка вопроса «заменит ли искусственный интеллект стоматолога?» не совсем корректна.
Исследования показывают, что алгоритм действительно способен выполнять отдельные узкие задачи с очень высокой точностью.
Он может обратить внимание на подозрительный участок рентгенограммы, распознать кариозное поражение на фотографии, помочь оценить налет, рассчитать риск заболевания или дать студенту дополнительную обратную связь.
Но клиническое решение значительно сложнее распознавания изображения.
Врач учитывает жалобы, анамнез, результаты осмотра, возраст ребенка, развитие зубочелюстной системы, индивидуальные факторы риска, поведение пациента, прогноз лечения, возможности семьи и множество других обстоятельств.
А в детской стоматологии к этому добавляется необходимость выстраивать контакт не только с ребенком, но и с его родителями.
Именно поэтому даже наиболее совершенный алгоритм следует рассматривать не как конкурента стоматолога, а как инструмент поддержки клинического мышления.
Что нас ждет дальше?
Наиболее перспективным направлением авторы считают создание крупных мультицентровых баз данных.
Если алгоритмы будут обучаться на большом количестве стандартизированных данных, собранных в разных клиниках и среди разных групп пациентов, их результаты смогут стать значительно надежнее.
Следующий обязательный этап — проспективная клиническая валидация. Необходимо проверить, насколько хорошо система работает не на заранее подготовленной выборке, а непосредственно в ежедневной практике.
Одновременно с развитием технологий должны появляться четкие этические и правовые нормы: правила работы с персональными данными, требования к безопасности, механизмы контроля качества и распределение ответственности.
Вывод
Искусственный интеллект уже способен решать множество задач в детской стоматологии: анализировать рентгенограммы и фотографии, распознавать кариес и другие поражения твердых тканей, определять зубной налет, оценивать возраст, прогнозировать риск развития кариеса и помогать в обучении.
В отдельных исследованиях точность таких систем превышает 95%, а при решении узких диагностических задач показатели ИИ могут приближаться к результатам специалистов.
Но эффективность сильно зависит от конкретной задачи, алгоритма и качества исходных данных. Особенно показателен пример генеративного ИИ: ChatGPT продемонстрировал достаточно хорошие результаты при диагностике отдельных состояний, но точность выбора плана лечения составила менее 50%.
Поэтому сегодня наиболее разумная модель применения искусственного интеллекта — не «ИИ вместо стоматолога», а «стоматолог с ИИ».
Алгоритм способен быстрее обрабатывать информацию, находить закономерности в больших массивах данных и выступать дополнительным диагностическим инструментом. Но окончательное решение должно оставаться за специалистом, способным объединить результаты обследования с клиническим опытом, критическим мышлением и пониманием индивидуальной ситуации пациента.
Именно сочетание вычислительных возможностей искусственного интеллекта и профессионального клинического суждения врача, вероятно, станет одним из основных направлений развития цифровой стоматологии ближайших лет.
