Detección y clasificación automatizadas de traumatismos dentales en radiografías periapicales mediante aprendizaje...

Área de la Ciencia:

• Inteligencia Artificial en Odontología
• Interpretación Radiográfica
• Diagnóstico de Traumatismos Dentales

Sus antecedentes:

• La identificación precisa de traumatismos dentales en radiografías periapicales es crucial para un tratamiento eficaz.
• Los métodos existentes para clasificar traumatismos dentales pueden ser lentos y subjetivos.
• El aprendizaje profundo (DL) ofrece una solución potencial para el análisis radiográfico automatizado.

Objetivo del estudio:

• Evaluar el rendimiento de un modelo de aprendizaje profundo (DL) para la identificación automatizada de tipos de traumatismos dentales.
• Clasificar traumatismos dentales utilizando el sistema de Andreasen en radiografías periapicales.
• Evaluar el impacto de la consolidación de etiquetas en el rendimiento del modelo de DL.

Principales métodos:

• Las radiografías periapicales se anotaron según la clasificación de Andreasen.
• Se desarrolló un modelo de aprendizaje profundo basado en YOLOv8 para la clasificación de traumatismos.
• El entrenamiento inicial del modelo utilizó subtipos detallados; se entrenó un segundo modelo después de consolidar las etiquetas en dos categorías principales.
• El rendimiento del modelo se evaluó utilizando sensibilidad, precisión y puntuación F1.

Principales resultados:

• El modelo de DL inicial mostró un rendimiento bajo (puntuación F1: 0,31).
• La avulsión fue el subtipo con mejor rendimiento (puntuación F1: 0,83).
• La consolidación de etiquetas en dos categorías principales mejoró significativamente el rendimiento general (puntuación F1: 0,76).
• El modelo funcionó mejor en lesiones de tejido dental duro y pulpa (puntuación F1: 0,82) que en lesiones de tejido periodontal (puntuación F1: 0,44).

Conclusiones:

• Los modelos de aprendizaje profundo muestran un potencial significativo para identificar traumatismos dentales en radiografías periapicales.
• La detección automatizada de líneas de fractura fue una fortaleza notable del modelo de DL.
• La simplificación de las categorías de clasificación mejora el rendimiento del modelo de DL en la identificación de traumatismos dentales.