Artificial intelligence in the immunodiagnostics of chronic periodontitis

Full Text

Введение

Заболевания пародонта поражают более миллиарда человек во всем мире, разрушая альвеолярную кость и приводя к потере зубов. Искусственный интеллект используется для диагностики различных заболеваний полости рта, таких как кариес, заболевания верхнечелюстных пазух, пародонта, слюнных желез, рак полости рта, с помощью клинических данных и диагностических изображений. Ранняя диагностика заболеваний пародонта с использованием искусственного интеллекта (ИИ) может улучшить стоматологический статус пациента и улучшить его общее состояние здоровья и качество жизни [7].

В современной стоматологии модели ИИ были разработаны для диагностики гингивита, заболеваний пародонта, но прецизионность этих технологий остается неясной. Для выявления и классификации заболеваний пародонта это: машины опорных векторов, дерева решений, сверточные нейросети, глубокое обучение и др. Так модели искусственного интеллекта для постановки диагноза при обнаружении зубного налета дают точность от 73,6 до 99%; диагностика гингивита по интраоральным фотографиям 74–78,2%; эффективность выявления потери альвеолярной кости по рентгенографическим изображениям составляет 73,4–99%, глубокое обучение по запаху изо рта — точность прогноза патологии до 97% [2].

В области клинической лабораторной диагностики алгоритмы машинного обучения включают проверку качества результатов лабораторных исследований, автоматизированный анализ осадка мочи, прогнозирование заболевания или исхода по обычным лабораторным параметрам и интерпретацию сложных биохимических данных [6].

Субстратом для работы искусственного интеллекта являются анализ 16s рРНК слюны пациента. В качестве опорных данных также используются пол, гемоглобин, витамин В12, ферритин, уровень фолиевой кислоты, частота чистки зубов и многое другое [1].

Пародонтит в его острой и хронической формах представляет собой широко распространенную воспалительную патологию полости рта. Непрерывное прогрессирование такой патологии приводит к разрушению всех поддерживающих пародонт тканей, включая альвеолярную кость, десну и периодонтальные связки вокруг зуба, и пародонтит является наиболее распространенной причиной потери зубов у взрослых. Такое быстро развивающееся новое направление исследований как нейронные сети дало впечатляющие результаты с точки зрения диагностики и прогнозирования в рентгенологических и гистопатологических исследованиях [4].

Машинное обучение подходит для прогнозирования на основе таких сложных данных, как анализ микробиоты полости рта человека, состоящей из более 700 известных видов бактерий [5]. К основным группам потенциальных маркеров пародонтита относятся: маркеры воспаления, маркеры разрушения соединительной ткани и маркеры ремоделирования костной ткани [3].

На сегодняшний день основные мутации генов, приводящие к формированию фенотипа пародонтита у системно здоровых людей, не идентифицированы, а специфический генетический фактор риска заболевания не выявлен. Точную диагностическую информацию о пародонтите можно получить при создании комбинации соответствующих биомаркеров с необходимой чувствительностью и специфичностью.

Целью настоящего исследования был поиск значимых инфекционно-иммунологических клинико-лабораторных данных на основе алгоритма машинного обучения при хроническом пародонтите.

Материалы и методы

На базе 4 Универститетской клинической больницы Первого МГМУ им. И.М. Сеченова обследовано 124 пациента в возрасте от 40 до 70 лет с диагнозом «Хронический пародонтит». Оценка состояния пародонта проводилась по стандартным клиническим критериям, включавшим в себя подвижность зубов, размер зубодесневого кармана. После проведения осмотра и оценки состояния пародонта пациентам брали биологическую пробу зубо-десневой жидкости, помещая эндодонтический целлюлозный штифт № 30 в пародонтальный карман на 60 с и переносили в 1 мл стерильного 0,9% изотонического раствора NaCl. Для проведения исследования клеточного состава мукозальной иммунной системы проводили полоскание ротовой полости 50 мл стерильного изотонического раствора 0,9% NaCl.

Методом ПЦР в реальном времени оценивали ДНК вирусов герпеса человека и пародонтопатогенную микрофлору Аggregatibacter actinomycetemcomitans, Fusobacterium nucleatum, Tannerella forsythia, Treponema denticola, Prevotella intermedia, Porphyromonas endodontalis, Porphyromonas gingivalis (ООО НПФ «Литех», Россия). Также изучались матричные РНК провоспалительных цитокинов: IL-1β, IL-10, IL-18, TNFα, TLR4, GATA3, CD68 (ООО «ДНК-Технология», Россия). В пробе зубодесневой жидкости определяли фактор некроза опухоли-α (TNFα), интерферон-γ (IFNγ), интерлейкины 1β, 4, 6, 10, 18 (IL), фактор роста эндотелия сосудов человека (VEGF) (АО «Вектор-Бест», Россия). Иммунные клетки ротовой полости оценивали по содержанию CD3⁺, CD4⁺, CD8⁺, Такт.CD3⁺HLA-DR⁺, CD64⁺CD16⁺CD14^–, Treg CD4⁺CD25⁺CD127^+low, T-NK CD3⁺CD16⁺CD56⁺, NK CD3^–CD16⁺CD56⁺, СD14⁺, СD14⁺HLA-DR⁺, CD19⁺, CD19⁺HLA-DR⁺, B1 CD19⁺CD5⁺B27^–, B2 CD19⁺CD5^–B27^–, Bпам CD19⁺CD5^–B27⁺ в смешанной слюне. Для анализа концентрации, размера и жизнеспособности клеток в образце проводили подсчет клеток на автоматическом счетчике клеток TC20 (Bio-Rad Laboratories, США). Проточную цитометрию проводили на приборе Cytomics FC 500 (Beckman Coulter, США; РЗН 2018/6733) c использованием моноклональных антител (Beckman Coulter, США).

Статистическую обработку полученных данных проводили с помощью пакета прикладных программ Statistica 8.0 (StatSoft, США). В качестве критерия достоверности использовали статистический критерий Манна–Уитни, а также Краскела–Уоллиса (р < 0,05). Корреляцию данных оценивали по критерию Спирмена. Для алгоритма машинного обучения «random forest» с обучением на 10 и 25% все данные были деидентифицированы.

Результаты и обсуждение

По результатам проведенных исследований была сформирована тепловая матрица отношений из 2630 полученных пар данных. В их числе оказались тяжесть пародонтита и возраст (r = 0,515), возраст и глубина кармана пародонта (r = 0,621), IL-18 и подвижность зуба (r = 0,5), мРНК IL-1β и P. intermedia, Porchyromonas gingivalis и VEGF (r = 0,57), мРНК IL-10 и Fusobacterium nucleatum (r = 0,69) и др. Были установлены статистически достоверные корреляционные взаимосвязи содержания бактерий F. nucleatum со всеми изученными пародонтопатогенами, но особенно сильная корреляция отмечалась между F. nucleatum и P. ingivalis (r = 0,641) и T. denticola при средней (r = 0,607). Преобладает провоспалительный компонент, выраженный в экспрессии мРНК IL-1β, TNFα, IFNγ в иммунном ответе на агрессивные пародонтопатогены Treponema denticola, Fusobacterium nucleatum и др.

Алгоритм машинного обучения «random forest» выбрал из множества данных корреляционные отношения r ≥ 0,5 (как положительные, так и отрицательные) для проведения дальнейшего анализа оператором. Модель машинного обучения «random forest» на 10% с учителем показала следующие значимые сочетания данных (рис. 1): VEGF, CD3⁺, CD14⁺HLA-DR, CD19⁺CD5^–CD27⁺, а также мРНК TLR4, IL-1b, IL-10, TNFa, IL-18.

 

Рисунок 1. Значимые параметры хронического пародонтита по результатам «машинного обучения» при обучении с учителем на 10%

Figure 1. Significant parameters of chronic periodontitis according to the results of “machine learning” when learning with a teacher by 10%

 

Как показано, при таком подходе к оценке данных значимыми становятся соотношения клеток иммунной системы и мРНК цитокинов.

Развитие примененной модели «random forest» машинного обучения с учителем уже на 25% показала отличия (рис. 2): P. endodontalis, GATA3, CD3⁺, CD14⁺, CD19⁺CD5^–CD27⁺, а также мРНК TLR4, TNFa, IL-1b, IL-10, IL-18.

 

Рисунок 2. Значимые параметры хронического пародонтита по результатам «машинного обучения» при обучении с учителем на 25%

Figure 2. Significant parameters of chronic periodontitis according to the results of “machine learning” when learning with a teacher by 25%

 

Результаты показывают, что при анализе большого массива данных недостаточно привычного статистического аппарата, показывающего очевидные результаты и скрывающего неявные связи параметров. Искусственный интеллект помогает преодолеть проблему получения результата из малого объема биообразца, так как в этом случае мы анализируем не количественные, а соотносительные характеристики микроорганизмов и реакции иммунной системы на локальном участке кармана пародонта.

В результате, значимость параметров хотя и различна по значимости и составу показателей, использование алгоритма «random forest» с обучением позволяет избежать ошибки переобучения при использовании «глубокого обучения», что может дать не объективные, а желаемые результаты.

Работа показывает возможность выбора необходимых лабораторных данных для клинической лабораторной диагностики, а использование ИИ в современной стоматологии путем извлечения значимой информации из больших объемов медицинских данных может применяться для поддержки клинического решения. Область ИИ быстро развивается, чтобы заполнить постоянно расширяющуюся нишу в медицине и стоматологии. Большинство исследований в области ИИ все еще находятся на начальной стадии. Повышение доступности данных о пациентах может ускорить исследования в области искусственного интеллекта, машинного обучения и нейронных сетей. Рост искусственного интеллекта в стоматологической помощи произведет революцию в стоматологии и откроет более широкий доступ к стоматологической медицинской помощи с лучшими результатами для пациентов.

Выводы

В результате анализа клинических и лабораторных данных с помощью алгоритма машинного обучения ИИ было подтверждено, что существуют различные связи между характером заболевания и клинико-лабораторными данными.

Поиск значимых инфекционно-иммунологических клинико-лабораторных данных на основе алгоритма машинного обучения при хроническом пародонтите показал значимость в развитии остеодеструктивного воспалительного процесса мРНК провоспалительных цитокинов, моноцитов, Т-лимоцитов и В-клеток памяти.

Для поиска взаимосвязей инфекционного иммунопатологического процесса может применяться машинное обучение с учителем на базе модели «random forest», что позволяет статистически обрабатывать большие массивы данных и выявлять неявные причинно-следственные факторы.

Благодарности

Автор выражает свою признательность Иванову С.Ю., Мяндиеву М.С. и Фоменкову И.С. (Первый МГМУ им. И.М. Сеченова), Мураеву А.А. (РУДН) за помощь в организации и сборе биоматериала, Милие Йовичичу (Белградский университет) за существенную помощь в разработке модели машинного обучения, Казакову С.П. (ГВКГ им. Н.Н. Бурденко, РМАНПО) за критические замечания в процессе исследования.

About the authors

Valery P. Mudrov

Russian Medical Academy of Continuous Professional Education; Diagnostic Clinical Center No. 1 of the Moscow Department of Health

Author for correspondence.
Email: vpmudrov@yandex.ru
ORCID iD: 0000-0003-1129-8335
SPIN-code: 4934-3745
Scopus Author ID: 934044
ResearcherId: ABD-8217-2020

PhD (Medicine), Associate Professor, Department of Medical Biochemistry and Immunopathology, Academic Educational Center for Fundamental and Translational Medicine; Pathologist, Diagnostic Clinical Center No. 1 

Россия, 125284, Moscow, Polikarpova str., 1/10; Moscow

References

Supplementary files