Los puntos clave no están disponibles para este artículo en este momento.
Antecedentes/propósito: La inteligencia artificial (IA) puede optimizar los enfoques de tratamiento en la atención dental debido a su alto nivel de precisión y amplia gama de aplicaciones. Este estudio busca proponer un nuevo modelo de conjunto de aprendizaje profundo (DL) basado en algoritmos de Redes Neuronales Convolucionales (CNN) profundas para predecir la posición de los dientes, detectar la forma, detectar el nivel de hueso interproximal restante y detectar la pérdida ósea radiográfica (RBL) utilizando radiografías periapicales y de aleta. Materiales y métodos: 270 pacientes desde enero de 2015 hasta diciembre de 2020, y todas las imágenes fueron desidentificadas sin información privada para este estudio. Un total de 8000 radiografías periapicales con 27,964 dientes fueron incluidas para nuestro modelo. Se crearon algoritmos de IA utilizando el modelo YOLOv5 y la plataforma de etiquetado VIA, incluyendo la arquitectura VGG-16 y U-Net, como un nuevo modelo de conjunto. Los resultados del análisis de IA se compararon con las evaluaciones de los clínicos. Resultados: La precisión del modelo de conjunto entrenado con DL fue de aproximadamente 90% para radiografías periapicales. La precisión para la detección de la posición de los dientes fue del 88.8%, la detección de la forma de los dientes del 86.3%, la detección del nivel óseo periodontal del 92.61% y la detección de la pérdida ósea radiográfica del 97.0%. Los modelos de IA superaron a los valores de precisión media del 76% al 78% cuando la detección fue realizada por dentistas. Conclusión: El modelo de conjunto entrenado con DL propuesto proporciona una base crítica para la detección radiográfica y un valioso complemento para el diagnóstico periodontal. La alta precisión y confiabilidad indican el fuerte potencial del modelo para mejorar el rendimiento profesional clínico y construir servicios de salud dental más eficientes.
Chen et al. (Mon,) estudiaron esta cuestión.