Las lesiones de caries alrededor de las restauraciones dentales, denominadas caries secundarias, son una de las principales causas de fracaso de las restauraciones, especialmente en las superficies proximales de los dientes posteriores.
Lo que además sucede es que los métodos de diagnóstico tradicionales, como la inspección visual y las radiografías, tienen limitaciones para detectar con precisión la caries secundaria. Sin embargo, el uso de la inteligencia artificial (IA), en concreto de las redes neuronales convolucionales (CNN), se ha revelado como un enfoque prometedor para mejorar el diagnóstico de la caries.
Aun así, los modelos de IA existentes se centran principalmente en la detección de caries primarias, por lo que hay una notable falta de investigación sobre la detección de caries secundarias.
En este estudio publicado por el Journal of Dentistry se presenta un algoritmo basado en CNN desarrollado para cubrir esta laguna, con el objetivo de mejorar la precisión del diagnóstico y revolucionar la atención odontológica.
Metodología aplicada a las radiografías de aleta mordida
Para este estudio se utilizaron radiografías digitales de aleta de mordida (bitewing) de pacientes que se sometieron a revisiones periódicas entre enero de 2015 y enero de 2017. Dichos pacientes fueron seleccionados por tener restauraciones en dientes posteriores debido a caries secundaria u otros motivos.
El estudio incluyó 425 radiografías de 383 pacientes, con edades comprendidas entre los 15 y los 88 años (mediana de edad de 46 años). La muestra estaba formada por 202 mujeres y 179 hombres, con 2 pacientes de sexo y edad desconocidos.
Se evaluaron un total de 2.550 restauraciones dentales y 12.750 superficies de molares y premolares en busca de caries primaria y secundaria, cuyas radiografías se trataron de la siguiente manera:
- Las radiografías se desidentificaron, se convirtieron a formato JPEG y se comprobó sistemáticamente su calidad. Sólo se incluyeron imágenes con una angulación adecuada y una distorsión mínima.
- Estas imágenes se obtuvieron de los archivos de las clínicas dentales sin ninguna información adicional sobre el paciente, garantizando así su privacidad.
- Una vez desidentificadas, las imágenes no podían vincularse a pacientes individuales.
Así se entrenó al modelo de aprendizaje
- El entrenamiento del modelo consistió en dividir todas las imágenes de aleta de mordida en diez pliegues, asegurándose de que las radiografías de cada paciente fueran exclusivas de un pliegue.
- Se utilizaron divisiones de validación cruzada de diez pliegues con el 80 % de las imágenes para el entrenamiento, el 10 % para la validación y el 10 % para las pruebas.
- El modelo de aprendizaje profundo se basó en la arquitectura Swin-Transformer y se inicializó con parámetros preentrenados en el conjunto de datos COCO. El ajuste fino se realizó diez veces utilizando datos de entrenamiento y validación de cada división.
- El modelo se optimizó utilizando el optimizador AdamW con parámetros específicos.
- El entrenamiento incluyó 36 épocas con un tamaño de minilote de 2 e incluyó técnicas de aumento de datos como el volteo horizontal aleatorio, el cambio de tamaño y el recorte.
Resultados y discusión
Según informa la publicación, el modelo distinguió con precisión entre lesiones de caries primarias y secundarias, con mínimos errores de clasificación. Sin embargo, algunas lesiones clasificadas como superficies sanas por el algoritmo fueron consideradas como caries secundarias o primarias por el estándar de referencia, lo que indica áreas de mejora en la precisión de la clasificación.
La discusión del artículo revisa la hipótesis del estudio, confirmando que el algoritmo basado en CNN superó significativamente los niveles de azar, validando su precisión en la detección de caries primarias y secundarias en las aletas de mordida.
Además, recalcan que mientras que la mayoría de los estudios anteriores se centraban en las caries primarias, este estudio desarrolló un algoritmo específico para detectar tanto caries primarias como secundarias, logrando unos niveles de precisión aceptables.
Sin embargo, hay que tener cuidado con la proporción de resultados falsos positivos, que pueden conducir a un tratamiento excesivo. Es aconsejable realizar más ajustes para aumentar la especificidad.
El debate, indican los investigadores, se extiende al potencial más amplio de la IA en odontología, destacando sus aplicaciones más allá de la detección de caries en campos como la periodoncia y la ortodoncia. La integración de la IA en el software de diagnóstico podría mejorar significativamente la atención sanitaria bucodental.
En general, el estudio demuestra el potencial de la IA para mejorar la precisión diagnóstica en odontología, contribuyendo a tomar mejores decisiones de tratamiento y a preservar la salud dental. La innovación tecnológica, como se demuestra en este estudio, es prometedora para hacer frente a los desafíos de diagnóstico y avanzar en la atención dental.
Fuente: Eduardo Trota Chaves, Shankeeth Vinayahalingam, Niels van Nistelrooij, Tong Xi, Vitor Henrique Digmayer Romero, Tabea Flügge, Hadi Saker, Alexander Kim, Giana da Silveira Lima, Bas Loomans, Marie-Charlotte Huysmans, Fausto Medeiros Mendes, Maximiliano Sergio Cenci.
Detection of caries around restorations on bitewings using deep learning.
Journal of Dentistry, Volume 143, 2024, 104886, ISSN 0300-5712,
https://doi.org/10.1016/j.jdent.2024.104886.
