Resumen

La periodontitis periapical puede manifestarse como una lesión radiográfica. Las lesiones periapicales se encuentran entre las patologías dentales más comunes que se presentan como radiolucencias periapicales en radiografías panorámicas. El objetivo de esta investigación es evaluar la precisión diagnóstica de un modelo de inteligencia artificial (IA) basado en la arquitectura U²-Net en la detección de lesiones periapicales en radiografías panorámicas dentales y determinar si pueden ser útiles para ayudar a los médicos con el diagnóstico de lesiones periapicales y mejorar su flujo de trabajo clínico. Se seleccionaron retrospectivamente 400 radiografías panorámicas que incluían al menos una radiolucencia periapical. 780 radiolucencias periapicales en estas radiografías anonimizadas fueron etiquetadas manualmente por dos examinadores independientes. Estas radiografías se utilizaron posteriormente para entrenar el modelo de IA basado en la arquitectura U²-Net entrenado utilizando un algoritmo de supervisión profunda. Se implementó un modelo de IA basado en la arquitectura U²-Net. El modelo obtuvo una puntuación de 0,8 en el conjunto de validación y una precisión, una recuperación y una puntuación F1 de 0,82, 0,77 y 0,8 respectivamente en el conjunto de prueba. Este estudio ha demostrado que un modelo de IA basado en la arquitectura U²-Net puede diagnosticar con precisión lesiones periapicales en radiografías panorámicas. La investigación proporciona evidencia de que los modelos basados ​​en IA tienen aplicaciones prometedoras como herramientas complementarias para los dentistas en el diagnóstico de radiolucencias periapicales y la planificación de procedimientos. Se necesitarían más estudios con conjuntos de datos más grandes para mejorar la precisión diagnóstica de los modelos de detección basados ​​en IA.

Boztuna M, Firincioglulari M, Akkaya N, Orhan K. Segmentation of periapical lesions with automatic deep learning on panoramic radiographs: an artificial intelligence study. BMC Oral Health. 2024 Nov 1;24(1):1332. doi: 10.1186/s12903-024-05126-4. PMID: 39487404; PMCID: PMC11529158.