Técnicas avanzadas de aprendizaje profundo para la clasificación de afecciones dentales utilizando imágenes de rayos...

Área de la Ciencia:

• Inteligencia Artificial en Odontología
• Aprendizaje Profundo para Imágenes Médicas
• Diagnóstico Dental Radiográfico

Sus antecedentes:

• La detección automatizada de afecciones dentales en radiografías panorámicas es crucial para un diagnóstico eficiente.
• Se han explorado varios modelos de aprendizaje profundo, incluidas CNN personalizadas, enfoques híbridos y arquitecturas preentrenadas, para esta tarea.
• Es esencial evaluar y comparar estas diversas metodologías de IA para identificar soluciones óptimas.

Objetivo del estudio:

• Comparar el rendimiento de las CNN personalizadas, los modelos híbridos CNN-aprendizaje automático y las arquitecturas preentrenadas afinadas para detectar afecciones dentales.
• Evaluar la eficacia de estos modelos para identificar empastes, caries, implantes y dientes impactados a partir de radiografías panorámicas.
• Determinar el enfoque de aprendizaje profundo más preciso y eficiente para el diagnóstico dental automatizado.

Principales métodos:

• Se utilizó un conjunto de datos de 1.512 radiografías panorámicas con 11.137 anotaciones para la clasificación basada en IA.
• El desequilibrio de clases se gestionó mediante submuestreo aleatorio, creando un conjunto de datos equilibrado.
• Se empleó la validación cruzada de cinco pliegues para evaluar CNN personalizadas, modelos híbridos (CNN + SVM, Árbol de Decisión, Random Forest) y VGG16, Xception y ResNet50 afinados.

Principales resultados:

• El modelo híbrido CNN-Random Forest logró la mayor precisión (85,4%) y puntuación macro-F1 (0,843), superando a la CNN personalizada en un 11%.
• Entre las arquitecturas preentrenadas, VGG16 mostró el mejor rendimiento (82,3% de precisión, 0,817 macro-F1), seguido de Xception y ResNet50.
• El modelo CNN-Random Forest se destacó en la detección de empastes (F1: 0,860), pero las clasificaciones erróneas sistemáticas resaltaron los desafíos diagnósticos.

Conclusiones:

• Los enfoques híbridos basados en CNN con clasificadores Random Forest ofrecen un poder discriminatorio superior para detectar afecciones dentales en regiones anotadas.
• Los modelos híbridos computacionalmente eficientes muestran potencial como herramientas de diagnóstico complementarias.
• Las clasificaciones erróneas observadas subrayan la necesidad de que los sistemas de IA aumenten, no reemplacen, el juicio clínico, lo que requiere una validación prospectiva.