Cada vez más, la odontología se apoya en las nuevas tecnologías, un tema de hecho que se va a tratar en el Expodental del año 2022 como ‘Soluciones y herramientas digitales’. Una de ellas es la inteligencia artificial, en este caso, aplicada a la detección de la caries dental. ¿Es realmente efectiva? Esto es lo que dicen los estudios.
Detección de caries en imágenes intraorales mediante inteligencia artificial
En SAGE Journals, explican que aunque el examen visual es el método preferido para la detección de caries, el análisis de fotografías digitales intraorales en forma legible por máquina puede considerarse un equivalente al mismo.
Si bien las imágenes fotográficas se utilizan pocas veces con fines de diagnóstico en la práctica clínica, son el requisito fundamental para el análisis de imágenes automatizado cuando se utilizan métodos de inteligencia artificial (IA).
Teniendo en cuenta que la IA no se ha utilizado hasta ahora para la detección automática de caries en imágenes intraorales, este estudio de diagnóstico tuvo como objetivo desarrollar un enfoque de aprendizaje profundo con redes neuronales convolucionales (CNN) para la detección y categorización de caries (método de prueba) y comparar el rendimiento diagnóstico con respeto a los estándares de los expertos.
El material de estudio consistió en 2.417 fotografías anónimas de dientes permanentes con 1.317 superficies oclusales y 1.100 superficies lisas. Todas las imágenes se evaluaron en las siguientes categorías: libre de caries, lesión de caries no cavitada o cavitación relacionada con caries.
Los resultados fueron los siguientes:
- El análisis estadístico incluyó cálculos de la sensibilidad (SE), la especificidad (SP) y el área bajo la curva de característica operativa del receptor (ROC) (AUC). Cuando se consideraron todas las imágenes de prueba, la CNN pudo detectar correctamente la caries en el 92,5% de los casos.
- Para la detección de cavitación relacionada con la caries, el 93,3% de todas las superficies dentales se pudieron clasificar correctamente.
- Además, se calculó el rendimiento diagnóstico para cada una de las clases de caries; en este caso se demostró que la precisión era mayor para las superficies libres de caries (precisión del 90,6%), seguida de las lesiones de caries no cavitadas (85,2%) y las lesiones de caries cavitadas (79,5%).
El artículo completo se encuentra aquí.
Aprendizaje profundo para la detección temprana de caries dentales en radiografías de mordida
Desde la revista Nature se publica que en los últimos años, los investigadores han explorado activamente la utilización del aprendizaje profundo con redes neuronales convolucionales (CNN) para procesar varios tipos de imágenes médicas, con un rendimiento prometedor.
En odontología, el uso de redes convolucionales profundas se ha investigado desde 2015. Ronneberger empleó la U-Net para analizar la segmentación de la estructura dental en radiografías de mordida. Posteriormente, se han estudiado múltiples modelos de aprendizaje profundo para el diagnóstico de caries o la detección de lesiones en imágenes de rayos X dentales.
La mayor parte de la investigación existente se ha limitado a los análisis del rendimiento de detección de los modelos de aprendizaje profundo, y algunos artículos recientes han comparado el rendimiento de diagnóstico entre los modelos de aprendizaje profundo y los médicos.
Sin embargo, ningún estudio ha investigado todavía los cambios que resultan del uso de modelos de aprendizaje profundo en situaciones clínicas, o cómo los médicos pueden beneficiarse de los modelos de aprendizaje profundo.
En este estudio, se desarrolló un modelo de U-Net CNN para la detección de caries dentales en radiografías de mordida mediante un análisis de la estructura dental y las diferencias en la densidad radiográfica en las radiografías sin manipulación especial. Y se investigó si el modelo propuesto puede ayudar a los médicos a diagnosticar la caries dental en entornos clínicos reales.
El resultado fue que el programa de aprendizaje profundo fue bastante preciso y mostró un patrón estable de desempeño en la detección de caries dentales. Se detectaron todos los tipos de caries dentales (caries de raíz, caries dentales secundarias y espacios en restauración) reconocibles en las radiografías de aleta de mordida, además de la caries dentaria proximal.
Hay que tener en cuenta que la tasa de detección falsa de caries dental fue algo mayor cuando la calidad de las radiografías era baja, la superposición dentaria era severa y cuando las imágenes de mordida incluían el tercer molar.
Usando un software basado en IA para la detección de caries proximales en radiografías de mordida
Por último, desde Practice Update han querido evaluar el impacto de un software de apoyo al diagnóstico basado en inteligencia artificial (IA) para la detección de caries proximales en radiografías de mordida.
En el estudio, de entre 140 radiografías de aleta de mordida – también llamadas interproximal – , se entregó una muestra aleatoria de 20 radiografías a 22 dentistas. Y se aplicó IA solo a la mitad de las muestras.
Los resultados mostraron claramente que la IA aumentó la sensibilidad de detección de caries pero no la especificidad, especialmente para las lesiones del esmalte. Es decir, se deben explorar las diferencias en los efectos de la IA para diferentes dentistas, y se debe orientar a los dentistas sobre qué terapia elegir cuando se detectan lesiones de caries utilizando el soporte de IA.
El artículo completo se puede leer en este enlace.
Inteligencia artificial para detectar caries en España
Si bien la conclusión es que aplicar la inteligencia artificial a la detección de las caries puede ser de gran ayuda, y ya hay situaciones en las que se demuestra, aún hay que mejorar el rendimiento de la misma.
Si nos centramos de España, existe TotIA, la primera startup española dedicada a desarrollar aplicaciones de Inteligencia Artificial en Odontología. Concretamente, TotIA está desarrollando e implementando un software de redes neuronales (DL) para la detección de caries y lesiones periapicales en ortopantomografías mediante Inteligencia Artificial, que se encarga del estudio de imágenes de ortopantomografía, considerando las caries, lesiones periapicales y periodontales como patologías de estudio prioritario. Este software ya permite disminuir de manera significativa el tiempo dedicado al diagnóstico y el margen de error, lo cual es una mejora tanto para el dentista como para el paciente.
