X-RayDent —
сервис рентгендиагностики
«Аналитика данных в медицине»
«Науки о данных»
Истратова Лариса Юрьевна
Аналитик данных, продуктолог,
лидер проекта
Координатор, работа с врачами,
сбор датасета и анализ, разработка
бизнес-модели и финансовой модели
Команда проекта
Журавлев Александр Николаевич
CV-инженер
Разработка и улучшение моделей
компьютерного зрения, повышение
точности и интерпретируемости
результатов
Проблема
Ключевая проблема:
Рентгенодиагностические лаборатории не дают оперативных заключений и рекомендаций по ортопантомограммам с учётом
жалоб пациента, из-за чего при фокусе на одном зубе пропускаются изменения в остальной челюсти и ранние признаки серьезных
патологий.
Декомпозиция проблемы:
●При ручной оценке ОПТГ акцентируют внимание только на «проблемном» зубе, игнорируя другие участки челюстно-
лицевой области.
●Отсутствует автоматизированное извлечение жалоб и симптомов из клинической анкеты, поэтому ключевые признаки не
всегда учитываются.
●Лаборатории обычно выдают лишь снимок без заключения и рекомендаций, что удлиняет диагностику и повышает риск
позднего лечения.
Значимость проблемы (количественные данные):
●Радикулярные кисты составляют до 93,3 % всех кист челюстных костей, при этом в 36,4 % случаев деформация лица
проявляется лишь на поздних стадиях, что указывает на скрытое течение заболевания.
●ОПГ выявляет поражения только при потере 30–50 % костной массы, чувствительность метода составляет 28–48,8 %, из-за
чего до 52 % пациентов получают поздний диагноз и сталкиваются с риском серьезных осложнений.
●В 13 % случаев радикулярные кисты обнаруживаются случайно, особенно на верхней челюсти (73,7 %), что подчеркивает
высокую вероятность пропуска патологии при стандартной оценке снимка.
Решение
X-RayDent – это облачный AI-сервис диагностики
радикулярных кист челюстей по
ортопантомограммам, решающий задачу
оперативного формирования заключений и
рекомендаций для рентгенодиагностических
лабораторий и клиник с эффектами: сокращение
времени диагностики до 2 минут, снижение числа
спорных случаев на 30–40 % и персонализированное
планирование лечения.
УТП: автоматическое заключение по ОПТГ с учетом
жалоб пациента, сокращающее время диагностики и
уменьшающее число спорных случаев.
Технологии в основе: сверточные нейросети для
анализа изображений и NLP-модуль для извлечения
жалоб из клинических анкет.
Генеральные директора
частных клиник с высоким
потоком пациентов и
отсутствием рентгенологов
Генеральные директора
рентген-диагностических
лабораторий без
рентгенологов
Главные врачи
государственных
стоматологических
поликлиники без
рентгенологов
Быстрая и точная ОПТГ-
диагностика
X-RayDent автоматически
формирует заключение по
ОПТГ за 2 мин без
рентгенолога, снижая ошибки
Приоритет №1
CustDev: 11
Конечные пользователи: ЛПР
Оперативное получение
точного заключения
X-RayDent выявляет кисту и
генерирует заключение с
рекомендациями, экономя до
40 % затрат.
Приоритет №2
CustDev: 17
Конечные пользователи: ЛПР
Доступная масштабируемая
диагностика ОПТГ
X-RayDent в облаке
обеспечивает качественную
ОПТГ-диагностику без
вложений в технику и кадры
Приоритет №3
CustDev: 6
Конечные пользователи: ЛПР
Потребительские сегменты
Конкурентный анализ
Критерии потребительских
характеристик Diagnocat Dentomo Pearl AI Orcal
Dental.AI AI:Dental MolarMind DAVIS X-RayDent
Автоматическая
интерпретация 2D-рентгена Да Да Да Да Да Да Да Да
Подсветка очагов патологий на
снимках Да Да Да Нет Да Да Нет Да
Настраиваемые шаблоны
отчетов и экспорт в PDF/Word Да Да Да Нет Нет Нет Нет Да
Сбор анамнеза пациента и
жалоб Нет Нет Нет Нет Нет Нет Нет Да
Генерация предварительных
заключений Нет Нет Нет Да Нет Нет Нет Да
Генерация предварительных
рекомендаций с
планированием лечения
Нет Нет Нет Нет Нет Нет Нет Да
Экономический эффект – 400 000 руб/год (~33.3%)
Инновационность и технологичность
Уникальное торговое
предложение
X-RayDent — облачный ИИ-сервис, позволяющий загрузить ОПТГ и
получить заключение с рекомендациями за пару минут, снижая нагрузку,
исключая ошибки и экономя на внешних специалистах
Разработка алгоритма автоматического
выявления кист с использованием
моделей глубокого обучения
с использованием YOLOv8 для детекции
и MARes-UNet для сегментации
Разработка архитектуры сервиса,
объединяющего:
● модель сегментации (MARes-UNet)
● модель детекции (YOLOv8)
● модель генерации текста (T5)
для формирования медицинского заключения
и рекомендаций на основе жалоб пациента и
выявленных кист на снимках
Инновационность: автономная
диагностика без участия рентгенолога
объединение моделей в одном сервисе повышает
доступность и скорость диагностики
Бизнес-функциональные требования
Сегментация кисты² (MARes-UNet¹ Architecture) Детекция кисты³ (YOLOv8 Model)
Precision 93.84% F1-score 93.21% Precision 100% mAP@50 96.6%
Recall 93.70% IoU 86.17% Recall 94.5% mAP@50-95 72.2%
¹National Library of Medicine ²National Library of Medicine ³Computer Assisted Methods in Engineering and Science (CAMES)
Cхема модели обнаружения YOLOv8
Сетевая архитектура MARes-UNet.
Механика работы продукта
Ортопантомограмма YOLOv8 — детекция кист MARes-UNet — сегментация кист
Извлечение характеристик
(размер, форма, расположение)
Формирование заключения:
шаблон + модель T5, рекомендации
Объем рынка: TAM, SAM, SOM
Тренды и драйверы роста рынка. Рост цифровизации и активное внедрение ИИ-решений (выручка
Diagnocat выросла на 80 % в 2023–2024 гг.) стимулируют увеличение объемов диагностики (более 276 млн
процедур в год) и выдачи заключений, при этом рынок диагностической рентгеновской визуализации
растет на 4,2 % ежегодно.
Подтверждение расчетов. Ссылка на паспорт проекта и ссылка на обоснование расчетов TAM SAM SOM
TAM SAM SOM
Рынок цифровых систем поддержки
принятия врачебных решений в
стоматологической диагностике
33.1 млрд руб.
27.6 млн заключений
Ниши рентгенлаборатории,
частные и государственные
клиники с ОПТГ
10.52 млрд. руб.
13.15 млн заключений
Ниши рентгенлаборатории,
частные и государственные
клиники с ОПТГ
573.6 млн руб.
717 тыс. заключений
Бизнес-модель
Потоки доходов
➢Подписка (месячная/годовая) для клиник
или отдельных пользователей
➢Оплата за разовый анализ снимка
➢Корпоративные пакеты для сетей клиник
➢Лицензирование десктопного решения
➢Дополнительные услуги (обучение,
техническая поддержка)
Структура затрат
➢Фонд оплаты труда разработчиков и
профильным медицинских специалистов
➢Лицензии и закупка специализированного
ПО для AI-моделей
➢Облачные ресурсы (серверы, хранение,
вычисления)
➢Сертификация и регистрационные
испытания (Росздравнадзор, ФСБ-
тестирование)
➢Маркетинг (участие в выставках, реклама
на профильных площадках)
➢Операционные расходы
(администрирование, связь, налоги)
Ключевые
ресурсы
Команда AI-разработчиков,
датасет – база снимков,
собственная модель глубокого
обучения, контракты с
клиниками и ассоциациями,
юридические документы и
лицензии
Ключевые
действия
Разработка и обучение AI-
моделей, сертификация, тех-и
клиническая поддержка,
маркетинг, соблюдение ФЗ-152.
Регистрация в качестве
медицинского изделия
Ценностное
предложение
Автоматически выявляет
патологии, генерирует
заключения и проверяет
качество снимков без участия
рентгенолога.
Не требует установки ПО и
дорогого оборудования —
доступен из любого браузера.
Встроенные тренажёры и
подсказки позволяют быстро
воспользоваться приложением
персоналу, обучение не
требуется.
Оценивает качество снимков
до анализа, предотвращая
возвраты и повторные
рентгеновские обследования.
Existing Alternative Early Adopters
Ключевые
партнеры
Производители дентального
рентген-оборудования
(Planmeca Russia, Dentovision)
Облачные провайдеры (Яндекс
Cloud)
Росздравнадзор и Минздрав
РФ (сертификация, пилоты)
Ассоциации стоматологов (РСС,
«Эстетическая стоматология»)
Клиники и лаборатории (для
сбора локальных данных):
Первый МГМУ им. Сеченова
РНИМУ им. Н.И. Пирогова
РУДН
ФГБОУ ВО Российский
университет медицины
ФГБОУ ДПО РМАНПО
ФГБУ НМИЦ «ЦНИИСиЧЛХ»
ГБУЗ "НПКЦ ДиТ ДЗМ
Взаимоотношения
с клиентами
Персональный менеджер;
онлайн-поддержка (чат в
Telegram, горячая линия);
e-mail/CRM-рассылки;
партнерские программы.
Каналы сбыта
Каналы продаж:
– B2B через CRM
– Онлайн-подписка
– Дилеры дентального
оборудования
Каналы продвижения:
– Яндекс.Директ
– Профессиональные
сообщества (VK, Telegram)
– Выставки («Дентал-Экспо»,
DFM)
– Статьи в профильных
журналах
Постпродажа:
– Онлайн-поддержка 24/7
Потребительские
сегменты
Рентген-диагностические
лаборатории без
рентгенологов.
Частные клиники с высоким
потоком пациентов и
отсутствие рентгенологов–
стоматологов.
Государственные
стоматологические
поликлиники без
рентгенологов.
Бизнес-модель
●Разработка интерактивной
обучающей системы
(подсказки в процессе
использования)
●Выход на генеральных
директоров сети клиник и
рентген-диагностических
лабораторий города Москвы
с ортопантомографом
●Подача заявки на регистрацию
как медицинского ПО
●Масштабирование команды:
продажи, поддержка, продукт
●Улучшение AI-модуля на
основе обратной связи
Развитие продукта: roadmap
●Получен грант от ФСИ
●Разработка AI-модуля:
классификация снимков,
сегментация кист, NLP-
анализ жалоб
●Интеграция backend: API,
обработка изображений,
генерация отчётов
●Тестирование MVP с
врачами: сбор отзывов,
улучшение точности
●Планирование и
подготовка тестовых
продаж
●Создание лендинга для
лабораторий с
демонстрацией
возможностей
●Старт разработки MVP
●Подписание
договоренностей с
московскими вузами для
пилотного доступа к
снимкам
●Подготовка юридических
шаблонов (договоры NDA,
передачи обезличенных
данных)
●Подбор и валидация
инструментов: PyTorch,
YOLO/Detectron, NLP-
модель
●Отправлена заявка
на грант “Студенческий
стартап” ФСИ
●Прототипирование
интерфейса AI-отчета (PDF,
HTML)
Q3 2025 Q4 2025 Q1 2026 Q2 2026
●Запуск маркетинговой
кампании и тестовые
продажи
●Выход на генеральных
директоров 10 частных
стоматологических
клиник г. Москвы с
ортопантомографом с
целью запуска пилота и
тестовых продаж
●Получение первых 30–50
пользователей, обратная
связь
●Доработка алгоритма по
отзывам врачей
●Создание витрины
успешных кейсов
●Подготовка к
регистрации как
медицинского ПО
Через 3 года (2028 год)
636 клиник г. Москвы (10% от общего кол-во
клиник г. Москвы) → 4 заключения/день →
508.8 млн.руб.
Истратова Лариса Юрьевна
●сформировала бриф продукта и описала целевые
сегменты (лаборатории, клиники, рентгенологи)
●провела CustDev-интервью с врачами, подготовив
вопросы и обобщив «болевые точки»
●обобщила результаты интервью и сформулировала
ключевые функциональные требования
●построила юнит-экономику и составила бизнес-
финансовую таблицу (БФТ)
●рассчитала объём рынка, собрав статистику по
количеству лабораторий и клиник
●подготовила презентацию проекта для партнерств
и потенциальных инвесторов
●организовала внутренние встречи команды и
распределила задачи на основе анализа
●разработала материалы (бриф, презентационные
слайды) и подача заявки на грант №СтС-506008
Личный вклад каждого участника
Журавлев Александр Николаевич
●собрал информацию о конкурентах, сравнил их
технические решения и метрики качества
●проанализировал более 30 научных статей по
методам CV и NLP для медицинских изображений
●определил оптимальный технический стек
(MARes-UNet — сегментация кист и YOLOv8 —
детекция кист)
●подготовил технические спецификации для MVP-
архитектуры и описал данные входа/выхода
●подготовил и частично разослал первые технические
письма партнёрам с описанием MVP и согласованием
юридических аспектов касательно датасета
●создал план дальнейших экспериментов по обучению
моделей и оценке метрик качества
●доработка технической части БФТ
●разработка стратегии бизнес-плана на 10 лет по
рекомендации научного руководителя
Источники
●Ding X, Jiang X, Zheng H, Shi H, Wang B, Chan S. MARes-Net: multi-scale attention residual
network for jaw cyst image segmentation. Front Bioeng Biotechnol. 2024 Aug 5;12:1454728. doi:
10.3389/fbioe.2024.1454728. PMID: 39161348; PMCID: PMC11330813.
●Rašić M, Tropčić M, Karlović P, Gabrić D, Subašić M, Knežević P. Detection and Segmentation of
Radiolucent Lesions in the Lower Jaw on Panoramic Radiographs Using Deep Neural Networks.
Medicina (Kaunas). 2023 Dec 9;59(12):2138. doi: 10.3390/medicina59122138. PMID: 38138241; PMCID:
PMC10744511.
●T.K., Lakshmi; DHEEBA, J.. Classification and Segmentation of Periodontal Cyst for Digital Dental
Diagnosis Using Deep Learning. Computer Assisted Methods in Engineering and Science, [S.l.], v.
30, n. 2, p. 131–149, oct. 2022. ISSN 2956-5839. Available at:
<https://cames.ippt.gov.pl/index.php/cames/article/view/505>. Date accessed: 01 june 2025. doi:
http://dx.doi.org/10.24423/cames.505.
Спасибо
за внимание!
