Un análisis comparativo de enfoques basados en aprendizaje profundo para clasificar sistemas de apoyo a la decisión de implantes dentales

Este estudio tiene como objetivo proporcionar una solución efectiva para la identificación autónoma de marcas de implantes dentales a través de un sistema de diagnóstico informático basado en aprendizaje profundo. También busca determinar el potencial del sistema en prácticas clínicas y ofrecer un marco estratégico para mejorar los procesos de diagnóstico y tratamiento en implantología. Este estudio empleó un total de 28 modelos de aprendizaje profundo diferentes, incluidos 18 modelos de redes neuronales convolucionales (CNN) (VGG, ResNet, DenseNet, EfficientNet, RegNet, ConvNeXt) y 10 modelos de transformadores de visión (Swin y Vision Transformer). El conjunto de datos comprende 1258 radiografías panorámicas de pacientes que recibieron tratamientos de implantes en la Facultad de Odontología de la Universidad de Erciyes entre 2012 y 2023. Se utiliza para el proceso de entrenamiento y evaluación de modelos de aprendizaje profundo y consiste en prototipos de seis sistemas de implantes diferentes proporcionados por seis fabricantes. El sistema de implantes dentales basado en aprendizaje profundo proporcionó una alta precisión de clasificación para diferentes marcas de implantes dentales utilizando modelos de aprendizaje profundo. Además, entre todas las arquitecturas evaluadas, el pequeño modelo de la arquitectura ConvNeXt logró una impresionante tasa de precisión del 94.2%, demostrando un alto nivel de éxito en la clasificación. Este estudio enfatiza la efectividad de los sistemas basados en aprendizaje profundo para lograr una alta precisión de clasificación en tipos de implantes dentales. Estos hallazgos abren el camino para la integración de herramientas avanzadas de aprendizaje profundo en la práctica clínica, prometiendo mejoras significativas en la atención al paciente y los resultados del tratamiento.