Clasificación automatizada de las caries dentales en las radiografías de Bitewing utilizando el aprendizaje...

Área de la Ciencia:

• Odontología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• La caries dental es un problema importante de salud pública que requiere una detección temprana para un tratamiento eficaz.
• Los métodos tradicionales para diagnosticar la caries dental, como el examen visual y las radiografías, pueden ser subjetivos y variar en su interpretación.
• La inteligencia artificial (IA), en particular el aprendizaje profundo (DL), ofrece un potencial para mejorar la precisión del diagnóstico en odontología.

Objetivo del estudio:

• Evaluar el rendimiento del modelo de aprendizaje profundo YOLOv11 para detectar y segmentar las caries dentales en las radiografías de bitewing.
• Evaluar la exactitud del modelo con respecto al marco del Sistema Internacional de Clasificación y Gestión de las Caries (ICCMS).
• Identificar las fortalezas y debilidades del modelo en el diagnóstico de diferentes etapas de la caries dental.

Principales métodos:

• Se utilizó un conjunto de datos de 730 radiografías con 1115 lesiones cariosas anotadas.
• Las anotaciones fueron realizadas por dentistas experimentados, y la fiabilidad entre y dentro de la tasa se evaluó utilizando el coeficiente de similitud de Intersection over Union (IoU) y Dice (DSC).
• El modelo YOLOv11 fue entrenado durante 50 épocas con aumento de datos, y el rendimiento fue evaluado utilizando precisión, recuerdo y precisión media (mAP50).

Principales resultados:

• En las anotaciones de lesiones se observó un alto acuerdo inter-ratificador (IoU: 0,82, DSC: 0,85) y un acuerdo intra-ratificador (IoU: 0,84, DSC: 0,87).
• El modelo YOLOv11 logró altas puntuaciones mAP50 para caries avanzada (RB4 + RC5: 0.74, RC6: 0.80).
• El rendimiento fue moderado para las lesiones en etapa temprana (RA1+RA2: 0,61, RA3: 0,52), lo que indica la necesidad de mejora.

Conclusiones:

• El modelo YOLOv11 demuestra una alta eficacia en la detección de caries dental avanzada a partir de las radiografías de las alas de mordedura.
• El rendimiento del modelo es menos robusto para la detección de caries en etapa temprana, lo que sugiere áreas para el futuro refinamiento del modelo de IA.
• La integración de la IA en el análisis radiográfico dental es prometedora para mejorar la precisión del diagnóstico, facilitar las intervenciones tempranas y mejorar los resultados de los pacientes.