Evaluación de la calidad de imagen radiográfica periapical basada en aprendizaje profundo

Área de la Ciencia:

• Inteligencia Artificial en Odontología; Análisis de Imágenes Médicas; Aprendizaje Profundo para la Evaluación de Calidad

Sus antecedentes:

• La evaluación manual de las radiografías periapicales (PA) es subjetiva e ineficiente.; Los métodos actuales conducen a incertidumbre diagnóstica y a un aumento de la radiación del paciente.; Necesidad de un control de calidad automatizado y objetivo en la imagenología dental.

Objetivo del estudio:

• Desarrollar un sistema automatizado de aprendizaje profundo para la evaluación integral de la calidad de las PA.; Clasificar las posiciones dentales y detectar defectos comunes de calidad de imagen.; Mejorar la precisión diagnóstica y la eficiencia del flujo de trabajo en clínicas dentales.

Principales métodos:

• Se utilizó un conjunto de datos retrospectivo de 3594 PAs.; Se entrenaron modelos ResNet50 para la clasificación de posiciones dentales y la detección de defectos.; Se empleó aumento de datos y sobremuestreo para abordar el desequilibrio de clases.

Principales resultados:

• Se logró un alto rendimiento con valores de AUC de hasta 1.000 para diversas evaluaciones.; Se demostró una excelente precisión en la identificación de posiciones dentales y defectos de calidad.; AUCs: 0.997 (posición dental), 0.996 (ángulo vertical), 1.000 (ángulo horizontal), 1.000 (cobertura de corona), 0.994 (cobertura apical), 0.999 (cono cortado), 0.924 (rayadura).

Conclusiones:

• El algoritmo ResNet50 automatiza eficazmente la evaluación de la calidad de las PA.; La herramienta de IA muestra potencial para la integración clínica para mejorar el diagnóstico y reducir las repeticiones.; Se necesita una validación adicional en conjuntos de datos multicéntricos antes del despliegue clínico.