Detección de sistemas de implantes dentales basada en aprendizaje profundo en radiografías panorámicas y periapicales

Área de la Ciencia:

• Inteligencia Artificial en Odontología
• Análisis de Imágenes Radiográficas
• Aprendizaje Profundo para Imágenes Médicas

Sus antecedentes:

• La identificación manual de implantes dentales en radiografías es ineficiente y propensa a errores.
• La creciente variedad de implantes complica la identificación en la práctica clínica.
• La falta de documentación clínica exacerba los desafíos diagnósticos.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para la identificación automatizada de 7 sistemas de implantes dentales.
• Utilizar radiografías panorámicas y periapicales para la identificación de implantes.
• Mejorar la eficiencia diagnóstica y apoyar la toma de decisiones clínicas en prostodoncia.

Principales métodos:

• Se curó y anotó un conjunto de datos de 4677 radiografías anonimizadas con 8189 implantes.
• Se empleó una arquitectura You Only Look Once (YOLO) v10 para la detección en tiempo real.
• El entrenamiento del modelo implicó una extensa aumento de datos y aprendizaje por transferencia durante 500 épocas.

Principales resultados:

• El modelo YOLOv10 logró una precisión media de media (mAP) del 98,3 %.
• Se observaron métricas de alto rendimiento, que incluyen un 93 % de precisión, un 86 % de recuperación y una puntuación F1 del 89 %.
• Los implantes Osstem mostraron una excelente discriminabilidad, mientras que los implantes Nobel tuvieron una menor recuperación debido a la escasez de datos.

Conclusiones:

• El modelo YOLOv10 demuestra un sólido rendimiento para la identificación de implantes dentales.
• Este enfoque de IA muestra potencial clínico para minimizar las desajustes protésicas.
• El trabajo futuro puede implicar imágenes 3D y conjuntos de datos diversos para mejorar aún más la IA en la implantología dental.