Cuantificación del efecto intersitio en la estimación de la edad dental basada en IA: evidencia de radiografías...

Área de la Ciencia:

• Inteligencia Artificial en Odontología
• Análisis de Imágenes Médicas
• Antropología Forense

Sus antecedentes:

• Los modelos de estimación de la edad dental enfrentan desafíos en la generalización entre diferentes regiones geográficas y equipos.
• Las variaciones en el rendimiento pueden llevar a predicciones de edad inexactas en entornos clínicos y forenses.

Objetivo del estudio:

• Evaluar la generalización interregional de los modelos de estimación de la edad dental basados en IA.
• Identificar estrategias efectivas para mejorar el rendimiento y la fiabilidad del modelo.
• Reportar de manera transparente la incertidumbre asociada con las estimaciones de edad.

Principales métodos:

• Se utilizaron 21.722 radiografías panorámicas de dos regiones brasileñas distintas (Noreste y Sudeste).
• Se evaluó un modelo Inception-v4 bajo varios escenarios de entrenamiento: región única, multirregional, ajuste fino y aumentación de datos.
• Se evaluó el rendimiento utilizando el Error Absoluto Medio (MAE), el sesgo, R2, el análisis de Bland-Altman y las métricas de calibración.

Principales resultados:

• La degradación significativa del rendimiento (MAE de 4,97 años) ocurrió cuando los modelos entrenados en una región se aplicaron a otra (MAE en la región de 3,10 años).
• El entrenamiento con datos combinados y ajuste fino mejoró la precisión y la calibración (MAE de 3,24-3,69, R2 de 0,93-0,95).
• La aumentación de datos proporcionó beneficios menores y no resolvió errores sustanciales; los mapas de calor revelaron características anatómicas clave.

Conclusiones:

• Los cambios intersitio y de dominio afectan críticamente el rendimiento del modelo de estimación de la edad dental basado en IA.
• El entrenamiento multirregional con adaptación ligera produce resultados sólidos, calibrados e interpretables.
• Este estudio proporciona un punto de referencia, código y protocolos para la evaluación reproducible de modelos de IA en odontología.