Detección y clasificación de la pérdida ósea marginal periimplantaria en tomografía computarizada de haz cónico...

Área de la Ciencia:

• Radiología
• Inteligencia artificial
• Implantología dental

Sus antecedentes:

• La pérdida ósea marginal periimplantaria es un factor clave en el fracaso de los implantes dentales.
• La evaluación radiográfica de la pérdida ósea puede ser un desafío y requiere interpretación experta.
• La tomografía computarizada de haz cónico (CBCT) ofrece imágenes 3D detalladas pero genera grandes conjuntos de datos.

Objetivo del estudio:

• Evaluar un modelo de aprendizaje profundo YOLOv8 para la detección y clasificación automatizadas de la pérdida ósea marginal periimplantaria.
• Evaluar el rendimiento del modelo en imágenes 2D derivadas de escaneos CBCT.

Principales métodos:

• Un estudio retrospectivo utilizó 699 secciones 2D de CBCT.
• Se entrenó un modelo de detección de objetos YOLOv8 para identificar implantes y pérdida ósea.
• Se evaluó el rendimiento utilizando métricas de precisión, exhaustividad y puntuación F1.

Principales resultados:

• El modelo YOLOv8 demostró un sólido rendimiento diagnóstico con una precisión general de 0,90.
• Se observó un alto rendimiento para sitios sanos (F1 0,95) y lesiones leves (F1 0,90).
• El modelo logró una precisión media promedio (mAP@0,5) de 0,889 y una excelente fiabilidad (Kappa = 0,954) para un esquema de tres clases.

Conclusiones:

• Un modelo de aprendizaje profundo basado en YOLOv8 detecta y clasifica de manera fiable la pérdida ósea marginal periimplantaria en imágenes CBCT.
• El modelo muestra potencial para automatizar el análisis de radiografías de implantes dentales.
• La investigación futura debería centrarse en expandir los conjuntos de datos y validar el rendimiento en diversos entornos clínicos.