Video Experimental Relacionado
Updated: Jan 9, 2026
07:32
Author Spotlight: 3D Movement Assessment of Maxillary Posterior Teeth in Clear Aligner Treatment
Published on: February 23, 2024
1.8K
Evaluación del rendimiento de un modelo de clasificación basado en inteligencia artificial para la morfología
Hiroki Sato1, Akane Ueda1, Camila Tussie2
1Division of Orthodontics, Department of Developmental Oral Health Science, School of Dentistry, Iwate Medical University, 1-3-27 Chuo-dori, Morioka 020-8505, Japan.
Diagnostics (Basel, Switzerland)
|December 11, 2025
Resumen
Un modelo de IA clasifica con precisión la morfología craneofacial pediátrica utilizando la clasificación de Sassoni. El modelo Random Forest logró una alta precisión, lo que ayuda en el diagnóstico y la planificación del tratamiento ortodóntico.
Área de la Ciencia:
- Ortodoncia; Inteligencia Artificial; Radiología
Sus antecedentes:
- La evaluación precisa de la morfología craneofacial es crucial para el diagnóstico y la planificación del tratamiento ortodóntico.
- La clasificación de Sassoni categoriza la morfología craneofacial pero carece de criterios clínicos estandarizados.
- El desarrollo de métodos de clasificación objetivos es esencial para una aplicación clínica consistente.
Objetivo del estudio:
- Desarrollar un modelo de inteligencia artificial (IA) para clasificar la morfología craneofacial pediátrica basado en la clasificación de Sassoni.
- Evaluar la concordancia del modelo de IA con las clasificaciones realizadas por ortodoncistas experimentados.
- Evaluar el rendimiento de diferentes algoritmos de aprendizaje automático en esta tarea de clasificación.
Principales métodos:
- Se utilizaron radiografías cefalométricas laterales de 300 pacientes pediátricos (edades 6-10).
- Se extrajeron nueve mediciones cefalométricas y el género del paciente como características de entrada.
- Se entrenaron y evaluaron modelos Random Forest (RF), Regresión Logística (LR) y Clasificación de Vectores de Soporte (SVC) utilizando validación cruzada de 10 pliegues.
Principales resultados:
- El modelo Random Forest (RF) logró la mayor precisión de clasificación (0.907 ± 0.051), superando a LR y SVC.
- RF demostró un rendimiento superior en la puntuación F1, la sensibilidad y el valor predictivo positivo.
- El ángulo ANB fue la característica más influyente; el género del paciente tuvo un impacto mínimo.
Conclusiones:
- El modelo de IA basado en RF muestra alta precisión para la clasificación maxilofacial pediátrica utilizando el sistema Sassoni.
- Este enfoque de IA ofrece una herramienta prometedora para el diagnóstico ortodóntico objetivo y la planificación del tratamiento.
- Las mejoras futuras pueden implicar conjuntos de datos más grandes y distribuciones de casos más equilibradas para una mayor solidez del modelo.
