ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ЧЕЛЮСТНО-ЛИЦЕВОЙ ХИРУРГИИ СОВРЕМЕННЫЕ ВОЗМОЖНОСТИ И УСЛОВИЯ КЛИНИЧЕСКОГО ПРИМЕНЕНИЯ
DOI:
https://doi.org/10.5281/zenodo.23336310Keywords:
искусственный интеллект, машинное обучение, челюстно-лицевая хирургия, ортогнатическая хирургия, КЛКТ, сегментация, виртуальное хирургическое планированиеAbstract
Цель обзора - определить, какие применения искусственного интеллекта в челюстно-лицевой хирургии уже имеют практическое обоснование, а какие остаются экспериментальными. Выполнен нарративный поиск публикаций в PubMed и на сайтах научных издательств за 2020-2026 годы; более ранние работы привлекались для описания развития виртуального хирургического планирования и методов машинного обучения. Анализ сосредоточен на автоматической сегментации КТ и КЛКТ, цефалометрии, планировании ортогнатических операций, прогнозировании мягкотканного профиля, реконструктивной хирургии и поддержке клинических решений. Наиболее подготовлены к практическому использованию алгоритмы, которые сокращают объём рутинной разметки и работают внутри контролируемого цифрового процесса. Для прогностических и рекомендательных систем доказательность пока ограничена ретроспективными одноцентровыми выборками, различиями в контрольных стандартах и редкой внешней валидацией. Показатели разных исследований нельзя объединять в единый диапазон «точности», поскольку они описывают неодинаковые задачи и метрики. Безопасное внедрение требует локальной проверки, контроля хирурга, регистрации ошибок и защиты данных. Искусственный интеллект следует рассматривать не как автономного оператора, а как проверяемый инструмент поддержки специалиста.References
1. Miragall, M. F., Knoedler, S., Kauke-Navarro, M., et al. (2023). Face the future-artificial intelligence in oral and maxillofacial surgery. J Clin Med. 2023;12(21):6843. doi:10.3390/jcm12216843. https://doi.org/10.3390/jcm12216843
2. Czako, L., Sufliarsky, B., Simko, K., et al. (2024). Exploring the practical applications of artificial intelligence, deep learning, and machine learning in maxillofacial surgery. Bioengineering (Basel). 2024;11(7):679. doi:10.3390/bioengineering11070679. https://doi.org/10.3390/bioengineering11070679
3. Mongan, J., Moy, L., & Kahn, C. E. (2020). Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): a guide for authors and reviewers. Radiol Artif Intell. 2020;2(2). doi:10.1148/ryai.2020200029. https://doi.org/10.1148/ryai.2020200029
4. Liu, X., Rivera, S. C., Moher, D., Calvert, M. J., & Denniston, A. K. (2020). ; CONSORT-AI and SPIRIT-AI Steering Group. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nat Med, 26, 1364–1374. https://doi.org/10.1038/s41591-020-1034-x
5. Stokbro, K., Aagaard, E., Torkov, P., Bell, R. B., & Thygesen, T. (2014). Virtual planning in orthognathic surgery. Int J Oral Maxillofac Surg, 43(8), 957–965. https://doi.org/10.1016/j.ijom.2014.03.011
6. Joachim, M. V., & Miloro, M. (2025). The evolution of virtual surgical planning in craniomaxillofacial surgery: a comprehensive review. J Oral Maxillofac Surg, 83(3), 294–306. https://doi.org/10.1016/j.joms.2024.11.001
7. Lee, Y. J., Oh, J. H., & Kim, S. G. (2024). Virtual surgical plan with custom surgical guide for orthognathic surgery: systematic review and meta-analysis. Maxillofac Plast Reconstr Surg. 2024;46:39. doi:10.1186/s40902-024-00449-2. 40902–024. https://doi.org/10.1186/s40902-024-00449-2
8. Xia, J. J., Gateno, J., & Teichgraeber, J. F. (2005). Three-dimensional computer-aided surgical simulation for maxillofacial surgery. Atlas Oral Maxillofac Surg Clin North Am, 13(1), 25–39. https://doi.org/10.1016/j.cxom.2004.10.004
9. Du, W., Wang, H., Zhao, C., et al. (2024). Postoperative facial prediction for mandibular defect based on surface mesh deformation. J Stomatol Oral Maxillofac Surg. 2024;125(5 Suppl 2):101973. doi:10.1016/j. jormas.2024.101973. https://doi.org/10.1016/j
10. Huang, X., He, D., Li, Z., et al. (2025). Maxillofacial bone movements-aware dual graph convolution approach for postoperative facial appearance prediction. Med Image Anal. 2025;99:103350.
11. Mahmoud, R., Shuster, A., Kleinman, S., et al. (2025). Evaluating artificial intelligence chatbots in oral and maxillofacial surgery board examinations. J Oral Maxillofac Surg, 83(3), 382–389. https://doi.org/10.1016/j.joms.2024.11.007
12. Geejo, A., & Elledge, R. O. C. (2026). Predictive artificial intelligence in maxillofacial surgery: a systematic review. Br J Oral Maxillofac Surg, 64(4), 267–272. https://doi.org/10.1016/j.bjoms.2026.02.001
13. Li, W., Milletari, F., Xu, D., et al. (2019). Privacy-preserving federated brain tumour segmentation. In: Machine Learning in Medical Imaging. Lecture Notes in Computer Science, 11861, 133–141. https://doi.org/10.1007/978-3-030-
14. Cruz Rivera S, Liu X, Chan AW, Denniston AK, Calvert MJ; SPIRIT-AI and CONSORT-AI Working Group. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Nat Med. 2020;26:1351-1363. doi:10.1038/s41591-020-1037-7.Raissi M, Perdikaris P, Karniadakis GE. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. J Comput Phys. 2019;378:686-707. doi:10.1016/j. jcp.2018.10.045.
Downloads
Published
How to Cite
Issue
Section
