Un marco híbrido MMBERT para clasificar la pérdida ósea periodontal: Integración de información visual y textual

Área de la Ciencia:

• Odontología
• Inteligencia Artificial
• Imágenes Médicas

Sus antecedentes:

• La periodontitis es una enfermedad inflamatoria crónica que conduce a la pérdida ósea y la inestabilidad dental.
• El diagnóstico temprano de la periodontitis es fundamental para un tratamiento eficaz.
• Los modelos existentes de aprendizaje profundo multimodal como mmBERT enfrentan desafíos con la variabilidad de las imágenes y los datos limitados.

Objetivo del estudio:

• Proponer un Marco Híbrido mmBERT para mejorar la precisión diagnóstica en la detección de la periodontitis.
• Mejorar la predicción de la pérdida ósea periodontal utilizando radiografías intraorales periapicales (IOPA).

Principales métodos:

• Se utilizó un conjunto de datos de 150 imágenes IOPA con anotaciones de expertos.
• Las notas clínicas se procesaron utilizando ClinicalBERT y las imágenes se procesaron con ResNet50.
• Un modelo BERT multimodal (mmBERT) fusionó incrustaciones de imágenes y texto a través de un transformador transmodal.

Principales resultados:

• El Marco Híbrido mmBERT demostró una fuerte superposición entre las máscaras predichas y las de referencia.
• El modelo logró una alta precisión de intersección sobre unión y de contorno.
• El modelo mmBERT alcanzó una precisión del 99,11% en entrenamiento y del 100% en prueba, lo que indica robustez.

Conclusiones:

• El estudio presenta un nuevo método de clasificación para la pérdida ósea periodontal utilizando una arquitectura mmBERT.
• El marco muestra un rendimiento prometedor en la interpretación radiográfica de la periodontitis.
• Se necesita más investigación para explorar sus aplicaciones clínicas.