ARTIFICIAL INTELLIGENCE IN DENTAL RADIOLOGY AND IMAGING: ADVANCES, CHALLENGES AND APPLICATION IN SPECIALTIES.
REGISTRO DOI: 10.69849/revistaft/dt10202502110955
Luiz André Dias Telles1
RESUMO
A inteligência artificial (IA) está se tornando cada vez mais relevante na Odontologia, contribuindo no aumento da acurácia diagnóstica, customizando tratamentos e otimizando o tempo de trabalho dos profissionais. Os exames de imagem odontológicos são meios complementares para o diagnóstico, mas por vezes são fundamentais para a detecção de patologias e alterações buco-maxilo-faciais. Com a implementação da IA, passaram por uma transformação significativa devido à integração de tecnologias avançadas, como Machine Learning, Deep Learning e as Redes Neurais Convolucionais, proporcionando uma maior precisão em relação a métodos convencionais, o que representa uma importante evolução. Estas tecnologias conseguem decifrar as complexidades presentes nas imagens, tornando possível identificar características sutis que frequentemente são ignoradas pelos métodos de diagnóstico convencionais permitindo uma avaliação mais abrangente tornando a IA uma valiosa ferramenta que contribui em determinadas especialidades odontológicas. Todavia, devemos atentar para algumas limitações ainda presentes na aplicação da IA, tais como o acesso restrito e lançamento insuficiente dos dados, falta de preparo dos profissionais, a variação na qualidade das imagens, a dificuldade em identificar a relevância de certas características para o diagnóstico, o custo financeiro elevado para aquisição de softwares e equipamentos, entre outros. Questões éticas devem ser consideradas sobre a privacidade dos dados, a confiança pelos resultados alcançados e a responsabilidade clínica em assumi-los. A aplicação da Inteligência Artificial no campo de atuação da Radiologia Odontológica e Imaginologia já demonstrou grande potencial, porém, avanços e ajustes são essenciais para intensificar sua utilização na prática clínica.
Palavras-chave: Inteligência Artificial (IA). Odontologia. Imagens Odontológicas.
ABSTRACT
Artificial intelligence (AI) is becoming increasingly relevant in Dentistry, contributing to increased diagnostic accuracy, customizing treatments and optimizing professionals’ working time. Dental imaging exams are complementary means of diagnosis, but are sometimes essential for detecting oral and maxillofacial pathologies and alterations. With the implementation of AI, they have undergone a significant transformation due to the integration of advanced technologies, such as Machine Learning, Deep Learning and Convolutional Neural Networks, providing greater precision compared to conventional methods, which represents an important evolution. These technologies are able to decipher the complexities present in images, making it possible to identify subtle characteristics that are often ignored by conventional diagnostic methods, allowing for a more comprehensive assessment, making AI a valuable tool that contributes to certain dental specialties. However, we must be aware of some limitations that still exist in the application of AI, such as restricted access and insufficient data release, lack of training of professionals, variation in image quality, difficulty in identifying the relevance of certain characteristics for diagnosis, high financial costs for acquiring software and equipment, among others. Ethical issues must be considered regarding data privacy, trust in the results achieved, and clinical responsibility in assuming them. The application of Artificial Intelligence in dental radiology has already demonstrated great potential, however, advances and adjustments are essential to intensify its use in clinical practice.
Keywords: Artificial Intelligence (AI). Dentistry. Dental Images.
INTRODUÇÃO
A Inteligência Artificial (IA) é um conjunto de tecnologias que permitem aos computadores executar uma variedade de funções avançadas que requerem capacidades específicas da inteligência humana, como entender linguagens, tomar decisões e resolver problemas (1). O Machine Learning (ML), ou aprendizado de máquina, é um segmento mais amplo da Inteligência Artificial (IA) e está relacionada à capacidade do computador de organizar informações provenientes de bases de dados categorizadas e inseridas pelo profissional. Algoritmos são aplicados e treinados com enormes quantidades de dados, sintetizando relações e informações, possibilitando que um software obtenha conhecimento a partir de experiências adquiridas na solução de problemas passados, reconhecendo padrões e fazendo escolhas com base nessas informações, e com isso, prever eventos ou cenários que até então são desconhecidos (2). Este algoritmo registra por meio da experiência, e quanto maior a quantidade de dados de variáveis conhecidas, mais acurado o software se torna ao lidar com variáveis desconhecidas. Devido à sua capacidade de caracterização de grandes conjuntos de dados e aprender por meio de exemplos, já existem várias aplicações em contextos reais (3). A Deep Learning (DL) é um subconjunto do ML que emprega diversas camadas de algoritmos de computação, criando uma rede neural que identifica padrões de forma automática para aprimorar a identificação, levando a conclusões e categorias próprias ao lidar com um grande volume de dados (4). As Redes Neurais Convolucionais (RNC) do inglês Convolutional Neural Network (CNN) ou ConvNet computam sinais usando neurônios artificiais que operam de forma semelhante ao cérebro humano e empregam o conceito de autoaprendizagem a partir dos dados brutos (5). São concebidas para manipular dados na forma de múltiplas matrizes, por exemplo, imagens coloridas formadas por três matrizes bidimensionais de intensidade de pixels nos três canais de cores RGB manuais. As RNCs tiram proveito das características dos sinais naturais, tais como conexões locais, pesos compartilhados, agrupamento e a utilização de múltiplas camadas (6).
Inicialmente a aplicação da inteligência artificial para analisar imagens era restrita à interpretação de dados simples como textura, forma e intensidade. Em seguida foram treinados algoritmos de classificação para identificar doenças ou anormalidades, mas a dependência da extração manual de recursos limitou sua capacidade de interpretar conjuntos de dados e também não conseguiam capturar a complexidade das imagens, principalmente em variações sutis na patologia. É nesse ponto que a aprendizagem profunda, especialmente as redes neurais convolucionais (RNCs), demonstrou uma vantagem substancial (7). Múltiplas tecnologias que envolvem IA têm auxiliado no cotidiano das pessoas como mecanismos de busca online, reconhecimento facial e assistentes virtuais. Empregar esta tecnologia em áreas médicas e odontológicas reduz custos, tempo, intervenção humana e evitar erros subjetivos (8).
Na Odontologia, as ferramentas de IA são programadas para oferecer aos profissionais, diagnósticos mais precisos, um atendimento mais confortável para os pacientes, reduzindo o tempo gasto nas consultas, e orientações sobre o plano de tratamento (9). Também está inserida na identificação de restaurações dentárias, doenças periodontais, cáries dentárias, lesões ósseas e defeitos faciais (10). Pesquisas apontaram resultados promissores da aplicação da IA em diversas especialidades odontológicas incluindo Periodontia, Endodontia, Ortodontia, Cirurgia Buco-maxilo-facial, Patologia, Cariologia, Implantodontia e Odontologia Forense. Embora a IA possa aprimorar a eficácia no atendimento clínico, um equilíbrio harmonioso entre a capacidade da IA e o conhecimento humano deve existir, para assegurar um atendimento odontológico integral e de alta qualidade (11). Os exames de imagem são utilizados como meio auxiliar para o diagnostico de uma série de condições de saúde bucal. A interpretação dessas imagens por profissionais é fundamental para a prática clínica, porém existem limitações que afetam a precisão do diagnóstico (7). Neste contexto, o objetivo deste estudo é explorar e sintetizar o conhecimento disponível sobre a Inteligência Artificial, investigando o impacto da implementação de sistemas de IA na prática da Radiologia Odontológica e Imaginologia. Os desafios éticos e práticos envolvidos na sua implementação também serão discutidos, além da aplicação em determinadas especialidades odontológicas.
METODOLOGIA
Esta é uma revisão de literatura narrativa que buscou aprofundar-se em conceitos previamente determinados, proporcionando uma perspectiva contemporânea sobre o assunto, expondo informações relevantes de publicações científicas expressivas. Foram selecionados artigos que relatavam a inteligência artificial e seus componentes, além da aplicabilidade na Radiologia Odontológica e a influência em diferentes especialidades odontológicas. A seleção do tema foi seguida por uma pesquisa detalhada realizada em bases de dados como: Biblioteca Virtual em Saúde (BVS), Scientific Electronic Library Online (SciELO), PubMed e Google Acadêmico.
DISCUSSÃO
INTELIGÊNCIA ARTIFICIAL
A Inteligência Artificial (IA) é um avanço no campo da tecnologia que não veio para substituir o profissional de saúde, mas ser uma ferramenta para agregar conteúdo e aprimorar o diagnóstico (10). Toda essa evolução está associada a dois grandes fatores: capacidade de armazenamento e velocidade de processamento de dados. Estes fatores não conseguem ser tratados de forma tão eficaz pelo intelecto humano e por isso, a inteligência artificial constitui uma notável revolução, capaz de compreender conceitos, desenvolver a habilidade de raciocínio através da incorporação de novas experiências, se autoaperfeiçoando, solucionando problemas ou desempenhando tarefas (9). A Machine Learning é constituída por uma camada de entrada onde dados brutos são inseridos e é feita a extração de características, dimensionamento, seleção e codificação de recursos. Os dados seguem para camadas profundas totalmente conectadas e nos algoritmos de aprendizado ocorre o processamento de forma hierárquica (identificação, análise e classificação das imagens. Na camada de saída são mostrados os resultados possíveis e caso necessário, feito um retro programação, minimizando a diferença entre a saída prevista e a saída real, com a rede aprendendo a partir dos dados (Figura 1). Por meio do aprendizado de máquina, funções complexas podem ser aprendidas, onde camadas de representação identificam e amplificam aspectos dos dados inseridos.
Figura 1- Esquema mostrando o funcionamento da Machine Learning no processamento de imagens até atingir o resultado final.
Fonte: O autor
Os algoritmos de aprendizagem profunda são capazes de aprender e extrair automaticamente recursos diretamente de dados brutos, sem a necessidade de intervenção manual, suprimindo variações irrelevantes (5). Inicialmente informações primárias são obtidas tais como, orientações e contornos da imagem. Conforme os dados percorrem camadas mais profundas são detectados novos arranjos e combinações, assimilando recursos cada vez mais complexos e abstratos como diferenças na densidade, forma ou estrutura, que podem não ser facilmente percebidos por meio de interpretação manual (7). Os primeiros estágios são compostos por camadas convolucionais que identificam junções locais de recursos da camada anterior e de camadas de agrupamento tendo a função de combinar recursos análogos em um só. Na camada convolucional as unidades são organizadas em mapas de recursos, sendo cada unidade conectada a patches locais nos mapas de recursos da camada anterior através do banco de filtros. O benefício desta disposição é que tratando-se de imagens, os valores dos agrupamentos locais frequentemente mostram alta correlação, criando padrões locais únicos que podem ser facilmente identificados. Entendendo que se um padrão pode aparecer em uma seção da imagem, ele pode surgir em qualquer outra parte, daí surge a noção de que unidades em variados locais compartilharem os mesmos pesos e reconhecem o mesmo padrão em diferentes regiões da matriz. Nas imagens, as combinações locais de bordas formam padrões, os padrões se reúnem em seções e as seções formam objetos (5).
RADIOLOGIA ODONTOLÓGICA E IMAGINOLOGIA
A Radiologia Odontológica e Imaginologia como especialidade da Odontologia, evoluiu substancialmente nos últimos anos, exigindo dos profissionais um aprimoramento constante e a busca por excelência. Mesmo para especialistas experientes, a avaliação de exames como a tomografia computadorizada, e ressonância magnética representam desafios e a implementação da Inteligência Artificial se torna um meio para melhorias, por intermédio de uma estratégia multidisciplinar, aumentando a precisão na interpretação das imagens, auxiliando na estimativa prognóstica e respaldando a tomada de decisão no processo terapêutico (11). A medida que os modelos de aprendizagem profunda evoluem, sua capacidade de lidar com conjuntos de dados cada vez maiores e mais diversificados os posiciona como uma instrumento essencial para o futuro da Radiologia Odontológica e Imaginologia.(7). A Inteligência Artificial é capaz de reconhecer detalhes minuciosos e desvios da normalidade nas radiografias (12), resultando em diagnósticos mais precisos e consistentes, onde softwares reconhecem informações que não conseguimos extrair das imagens, priorizando exames de acordo com a gravidade (9). Os impactos da IA também se destacam na otimização do fluxo de trabalho em ambientes radiológicos, facilitando a triagem dos exames e priorizando casos críticos(13). A IA já apresenta competência para elaborar laudos radiológicos com descrição inicial de achados de imagem e aferição de certas lesões, contribuindo também na recuperação de dados pregressos ao encontrar resultados semelhantes em outras imagens, fornecendo inúmeras possibilidades (10). Para estes e outros propósitos, diferentes imagens obtidas com diferentes técnicas (tomografia, panorâmica, intraorais, etc.) podem ser combinadas (14). A automação de tarefas rotineiras, como a classificação de imagens, tem permitido aos radiologistas focarem mais nos casos complexos, melhorando a qualidade do atendimento e otimizando o tempo dos profissionais (1).
O processo de treinamento de IA consiste da coordenação e parceria do engenheiro de software e do especialista em radiologia, que sistematizam e verificam a precisão do processo de aprendizagem. Um especialista experiente, anota manualmente uma variedade de pontos de referência anatômicos, a partir de radiografias previamente selecionadas, enquanto o engenheiro de software aplica o conjunto de dados de treinamento e desenvolve o modelo de aprendizado para capacitar a IA (10). Este processo de aprendizado contínuo é fundamental porque a interpretação de imagens é um procedimento complexo e muitas vezes subjetivo. A variação na precisão diagnóstica pode ser influenciada por fatores como a experiência profissional, as restrições da visualização de estruturas 3D por imagens 2D e a qualidade da imagem. Ademais, as radiografias odontológicas são comumente afetadas por artefatos, contraste limitado entre os tecidos e sobreposição de estruturas anatômicas (15). Os modelos de aprendizagem profunda são excelentes nesses cenários, pois identificam automaticamente padrões complexos nas radiografias o que leva a diagnósticos mais consistentes e precisos. Isso é particularmente valioso na detecção precoce e classificação de doenças, na segmentação de imagens e planejamento de tratamentos, fazendo com que a aplicação da IA na radiologia tenha marcante influência em diversas especialidades odontológicas.
APLICAÇÃO NAS ESPECIALIDADES ODONTOLÓGICAS
ODONTOLOGIA DIAGNÓSTICA
O diagnóstico adequado de qualquer doença é a base para um tratamento bem sucedido. As Redes Neurais Artificiais (RNA) funcionam bem, especialmente nos casos em que a etiologia da doença é multifatorial. Os exames de imagem funcionam como suporte para o diagnóstico e em algumas condições patológicas como o desarranjo interno das articulações temporomandibulares, são considerados padrão ouro, em associação com o exame clínico. Estudos que agregaram o uso das RNAs ao diagnóstico clínico resultaram em elevada especificidade e sensibilidade. A utilização da IA na análise de imagens, auxilia na identificação de doenças bucais complexas e em estágios iniciais, proporcionando um diagnóstico precoce e reduzindo as probabilidades de falhas humanas (13).
ORTODONTIA
Na Ortodontia, os softwares podem realizar análises em radiografias e fotografias, auxiliando no diagnóstico e planejamento do tratamento. Aplicativos de IA tem demonstrado alta acurácia, sensibilidade, especificidade e precisão na detecção e classificação de maloclusão (16). Possibilitam avaliações da forma dos dentes, podendo determinar a maturação óssea e examinar obstruções de vias aéreas superiores (9). Na Cefalometria, realizam a identificação automática de pontos anatômicos, com elevadas taxas de sucesso (17). Modelos Deep Learning (DL) atualmente disponíveis mostraram precisão na detecção automatizada de marcos cefalométricos variando de 75% a 91.73%. No momento, a maioria dos estudos focaram em imagens 2-D; no entanto, dados sobre imagens 3-D embora limitados, são promissores (18). Tandon et al. afirmam que Inteligência Artificial pode ser empregada em diversas fases da ortodontia e que as digitalizações 3D e os modelos virtuais são úteis na avaliação de anormalidades craniofaciais e dentárias (12).
ENDODONTIA
Apesar do progresso nas técnicas de tratamento e materiais, estudos epidemiológicos revelam uma elevada prevalência de lesões periapicais identificadas em radiografias e a persistência de problemas periapicais em dentes que receberam tratamento endodôntico. A precisão no diagnóstico, planejamento e execução do tratamento são essenciais para alcançar melhores resultados (19). Modelos de IA que fazem uma análise criteriosa de imagens, são valiosos na terapia endodôntica, tais como: análise da morfologia radicular, posição do forame apical, reconhecimento de fraturas radiculares e identificação de lesões periapicais (20). Os modelos de aprendizagem profunda utilizando radiografias periapicais ou exames de tomografia computadorizada cone beam (CBCT), podem automatizar a detecção da morfologia dos canais radiculares e das lesões periapicais, auxiliando na terapia endodôntica (21). Softwares empregando IA na investigação de imagens de tomografia computadorizada de feixe cônico (TCFC) e radiografias panorâmicas na detecção de lesões periapicais, obtiveram acurácias de 93% e 85% ,respectivamente (22). Em outro estudo, Setzer et al. usaram algoritmos DL para segmentar e encontrar lesões periapicais em imagens de CBCT, demonstrando excepcional precisão na detecção dessas lesões (23).
ANATOMIA RADIOGRÁFICA
A IA apresenta grande aplicabilidade na avaliação da anatomia radiográfica, identificando anormalidades e variações, como por exemplo, a formação de uma raiz supranumerária agregada a raiz distal do primeiro molar inferior. Iruvuri et al. realizaram um estudo de imagens de tomografia computadorizada de feixe cônico (TCFC) e radiografias panorâmicas aplicando um sistema de aprendizagem profunda, analisando raízes distais de 760 primeiros molares inferiores de 400 pacientes. O sistema de aprendizagem profunda teve acurácia de diagnóstico de 86,9 % para determinar se as raízes distais eram únicas ou apresentavam raízes supranumerárias (14). A segmentação precisa de estruturas dentárias, como dentes, raízes e osso alveolar, é fundamental para uma série de procedimentos odontológicos e métodos tradicionais podem ser inconsistentes especialmente em casos complexos, com sobreposição de estruturas ou imagem de baixa qualidade (7). A tomografia computadorizada de feixe cônico (CBCT) fornece imagens em 3D das estruturas dentárias, permitindo uma visualização detalhada do que as radiografias em 2D e os modelos de aprendizado profundo foram desenvolvidos para automatizar a segmentação de dentes, nervos e ossos adjacentes a partir de dados de CBCT, reduzindo o tempo de avaliação de imagens mais complexas (24).
CIRURGIA E TRAUMATOLOGIA BUCO-MAXILO-FACIAL
Também na Cirurgia e Traumatologia Buco-maxilo-facial o sistema de aprendizado profundo tem fornecido importantes informações. Choi et al. utilizaram IA para examinar em radiografias panorâmicas, a relação entre o canal mandibular e a posição do terceiro molar. Demonstraram uma acurácia de 72% da IA na determinação do contato entre canal mandibular e terceiro molar, sendo maior que as obtidas por especialistas na área (25). Shujaat et al. conduziram um estudo retrospectivo em 103 exames de CBCT de pacientes com deformidades dentofaciais submetidos à cirurgia ortognática e os resultados mostraram o desempenho consistente dos modelos de IA em diferentes tipos de imagem, garantindo confiança e precisão para o tratamento de uma gama de pacientes (26).
PATOLOGIA BUCAL
A IA pode ser utilizada como primeira avaliação das imagens objetivando destacar patologias que necessitem de uma investigação mais profunda. Poedjiastoeti e Suebnukarn avaliaram o uso de IA em radiografias panorâmicas para diagnosticar ceratocistos odontogênicos e ameloblastomas. Apesar da acurácia do software ser semelhante a do especialista em CTBMF na detecção de lesões, o tempo para a identificação foi menor (27). Lee et al. utilizaram a IA para localizar osteoporose em radiografias panorâmicas. Os modelos de IA alcançaram precisões de 97-99%, demonstrando uma concordância diagnóstica alta com especialistas em Radiologia experientes (28). Murata et. al. utilizaram um sistema de aprendizagem profunda em radiografias panorâmicas para avaliar a sinusite maxilar, demonstrando acurácia de 87,5%, sensibilidade de 86,7%, especificidade de 88,3%, não mostrando contudo, diferença estatística significativa comparada aos valores obtidos por radiologistas orais (29). Os indícios de câncer na boca frequentemente são discretos em suas fases iniciais e podem ser imperceptíveis em radiografias convencionais de rotina. Modelos de Deep Learning são treinados para reconhecer padrões específicos de lesões cancerígenas, aprimorando o reconhecimento precoce em radiografias odontológicas, indicando a necessidade de investigação clínica aprofundada (7). As Redes Neurais Convolucionais podem ser de grande importância para a identificação de pacientes com risco elevado de câncer bucal ou lesões pré-cancerosas, além de elaborar um plano de tratamento (12).
CARIOLOGIA
Ao aprender padrões associados às cáries em radiografias interproximais e periapicais, os modelos de aprendizagem profunda podem revelar cáries em estágio inicial que poderiam passar despercebidas (7). Geetha et al. em um estudo para detecção de cárie em radiografias digitais, relataram uma acurácia de 97% com o uso da IA. Os autores propõem que a identificação de cáries nos dentes pode ser feita de maneira mais precisa utilizando uma rede neural de retro propagação, e que existe a necessidade de aperfeiçoar a classificação da profundidade de cáries (30). Devlin et al. demonstraram um aumento de 71% na habilidade de detecção de cáries proximais em radiografias intraorais por dentistas que utilizaram a IA, quando comparados a dentistas que não utilizaram os recursos da Inteligência Artificial (31). O uso de IA, em particular a Deep Learning, pode fornecer uma análise rápida e explicativa das imagens de possíveis lesões cariosas em radiografias interproximais (32).
IMPLANTODONTIA
A inteligência artificial pode ser uma ferramenta poderosa na identificação do sistema do implante, informação essencial para o clínico na avaliação e correção da falha do implante dentário. Na classificação do sistema de implantes dentários, estudos apontam valores de acurácias da IA de 95% e 97% utilizando radiografias panorâmicas e periapicais respectivamente, superando a acurácia de periodontistas (33). Sukegawa et al. avaliando 8.859 imagens de 11 sistemas de implantes diferentes, a partir de radiografias panorâmicas digitais para verificar a precisão por meio de três estruturas diferentes de Redes Neurais Convolucionais profundas com estratégias de transferência de aprendizado, obtiveram valores de acurácia variando de 86-92%, demonstrando que as RNCs foram capazes de identificar os sistemas de implantes com alta precisão (34). A segmentação do canal mandibular é um componente a ser observado na imagem odontológica para a instalação de forma segura de implantes dentários. Jaskari et al. afirmam que a precisão na segmentação é crucial para evitar problemas durante os tratamentos, reduzindo as dificuldades e melhorando os resultados e prognósticos das cirurgias bucais (35).
PERIODONTIA
Na Periodontia, os modelos de aprendizagem profunda treinados em radiografias panorâmicas e periapicais demonstraram grande potencial para automatizar a avaliação da perda óssea e classificar a gravidade da doença periodontal (7). Jundaeng et al. usaram redes neurais convolucionais (RNCs), para demonstrar as taxas de precisão na detecção da perda óssea periodontal. As abordagens envolveram técnicas mistas de aprendizado profundo, métodos automáticos de identificação e sistemas classificadores de aprendizado de máquina. Concluíram que a combinação de inovações de IA no diagnóstico de periodontite aumenta a precisão do diagnóstico, fornecendo uma alternativa rápida e eficaz em relação às abordagens tradicionais (36).
ODONTOLOGIA FORENSE
O uso de informações da cavidade bucal para identificação de indivíduos, é útil porque geralmente as características dentárias permanecem inalteradas após a morte. Nesse sentido, a IA pode ser aplicada na odontologia forense através da detecção dentária automática em radiografias, predição de gênero baseada em características dentárias, identificação da morfologia esquelética e identificação de marcas de mordida (37). Patil et al. usaram Redes Neurais Artificiais para determinação de gênero e radiografias panorâmicas digitais foram usadas para medir a mandíbula de 509 indivíduos. Com estes parâmetros mandibulares como entradas, a análise teve uma precisão geral de 69,1% (38). A Inteligência Artificial também pode ser usada para criar modelos 3D de dentes e mandíbulas e usar na reconstrução facial para identificação de restos mortais (39). Thurzo et al. estudando uma maneira de reconstruir padrões dentários 3D e identificar restos mortais humanos, demonstraram que a tecnologia de inteligência artificial pode ajudar profissionais de odontologia forense na análise de imagens dentárias, para reconhecer e relacionar indivíduos com base em suas arcadas dentárias (40). A IA pode ser usada na pesquisa e combinação de imagens odontológicas de bancos de dados, auxiliando na identificação de indivíduos e também para aperfeiçoar profissionais que trabalham com odontologia forense (41).
LIMITAÇÕES E DESAFIOS
Mesmo com todos estes benefícios e possibilidades de aplicação, a implementação de IA na Radiologia Odontológica e Imaginologia apresenta algumas limitações. Uma delas é a carência de conjuntos de dados públicos ou privados padronizados, em grande escala e de fácil acesso. A anotação dos dados de radiografias dentárias torna-se um obstáculo, pois requer conhecimento especializado e investimento de tempo significativo. A variação na qualidade das imagens, técnicas de geração de imagens, equipamentos usados em diferentes clínicas e localizações geográficas são elementos restritivos para a aplicação da IA. Os modelos atuais de aprendizagem profunda também fornecem poucas informações sobre quais características foram usadas para uma tomada de decisão final, podendo não serem as principais em ordem de prioridade para se chegar ao diagnóstico. São ainda fatores de dificuldade relativos ao aprendizado da IA: a concordância e o ajuste de dados inseridos que foram obtidos em diferentes populações, aparelhos ou clínicas para o treinamento dos algoritmos, afetando a acurácia dos diagnósticos (7). Por fim, o alto custo financeiro do uso de softwares e equipamentos com grandes capacidades de memória para lidar com o processamento de radiografias dentárias de alta resolução geram limitações para alguns profissionais (9).
A implementação da IA na Radiologia Odontológica e Imaginologia também enfrenta desafios significativos. É essencial garantir que os sistemas de IA sejam confiáveis, transparentes e utilizados de maneira a complementar a capacidade dos profissionais. Entre as questões mais relevantes estão a demanda por melhorias constantes na precisão dos algoritmos e a adição de dados representativos, a fim de evitar resultados tendenciosos (42). A complexidade dos algoritmos de aprendizado profundo, muitas vezes dificulta a compreensão das decisões tomadas, gerando desconfiança entre os radiologistas, podendo impactar na aceitação da tecnologia (43). Outro fator significativo é a relutância em adotar tais tecnologias, o que pode estar embasada no receio de serem superados e substituídos (44). É portanto, de fundamental importância, a capacitação contínua dos profissionais de saúde para a adoção da IA, para que compreendam a tecnologia como uma ferramenta complementar e não substituta do seu trabalho (45). Outra recomendação importante é o estabelecimento de normas regulatórias específicas para a implementação da IA em contextos clínicos, com o objetivo de assegurar a segurança dos dados dos pacientes e a qualidade dos serviços prestados. Essas regulamentações ajudariam a uniformizar o uso da IA, tornando sua adoção mais segura e padronizada em diferentes instituições de saúde (46). Sobre a responsabilidade do diagnóstico, questões devem ser discutidas, pois se um modelo de aprendizagem profunda fornecer um resultado equivocado ou não detectar uma condição, a responsabilidade ainda recairá sobre o profissional. Isso representa um desafio para equilibrar o grau de confiança nas ferramentas de IA com a exigência de supervisão clínica (14).
Apesar das limitações atuais e desafios, perspectivas futuras com o uso da IA são muito promissoras, à medida que os modelos de aprendizagem profunda se tornam mais sofisticados, tornando os algoritmos mais robustos e generalizáveis, e que mais conjuntos de dados de radiologia odontológica anotados sejam disponibilizados. Há potencial para a análise de imagens em tempo real durante os procedimentos odontológicos e sistemas de IA combinando dados de várias modalidades de imagem, como fotografias intraorais, radiografias 2D e exames de CBCT, fornecendo uma avaliação mais abrangente da saúde bucal.(7) A colaboração interdisciplinar entre dentistas, radiologistas, cientistas da computação e engenheiros também é primordial para o avanço da IA na Radiologia Odontológica e Imaginologia.
CONCLUSÃO
A Inteligência Artificial está se consolidando como um recurso promissor na interpretação de imagens, proporcionando notáveis avanços na acurácia diagnóstica, eficácia operacional e uniformização dos procedimentos. A habilidade dos algoritmos de Inteligência Artificial de examinar grandes quantidades de dados e reconhecer padrões complexos está revolucionando a interpretação e aplicação das imagens radiográficas na prática clínica. Contudo, a aplicação da Inteligência Artificial encontra obstáculos, como a exigência de bases de dados de alta qualidade, questões éticas e de privacidade, além da resistência à incorporação de tecnologias inovadoras. Para superar esses desafios, são necessárias a colaboração interdisciplinar, a formação contínua e a criação de orientações e regulamentações específicas.
REFERÊNCIAS
1. Jucá J, Almeida A, DC S, Araújo E, Moreira L, Tessinari M, et al. Impacto da inteligência artificial na interpretação de exames de imagem e na prática clínica odontológica. São Paulo: Revista Ibero-Americana de Humanidades, Ciências e Educação.v.10, n.11; 2024. p. 72–86.
2. Awad M, Khanna R. A Efficient Learning Machines:Theories, Concepts, and Applications for Engineers and System Designers [Internet]. Springer Nature; 2015. p. 1–18. Available from: https://www.springernature.com/gp/products/books
3. Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, et al. A survey on deep learning in medical image reconstruction. Med Image Anal. 2021;1(3):118–27.
4. Ahmed N, Abbasi MS, Zuberi F, Qamar W, Halim MS Bin, Maqsood A, et al. Artificial Intelligence Techniques: Analysis, Application, and Outcome in Dentistry – A Systematic Review. Biomed Res Int. 2021;
5. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–44.
6. Babu A, Onesimu J, Sagayam K. Artificial Intelligence in dentistry: Concepts, Applications and Research Challenges [Internet]. E3S Web of Conferences; 2021. p. 1–9. Available from: https://decisionsindentistry.com/article/artificial intelligence-in-dentistry/
7. Minoo S, Ghasemi F. A Narrative Review_ Dental Radiology with Deep Learning. International Research in Medical and Health Sciences; 2024. p. 7(5):23-36.
8. Putra RH, Doi C, Yoda N, Astuti ER, Sasaki K. Current applications and development of artificial intelligence for digital dental radiography. Vol. 51(1), Dentomaxillofacial Radiology. 2022.
9. Spezzia S. APLICABILIDADE DA INTELIGÊNCIA ARTIFICIAL EM ODONTOLOGIA. Niterói; 2023. p. 23–9.
10. Chen YW, Stanley K, Att W. Artificial intelligence in dentistry: current applications and future perspectives. Quintessence Int [Internet]. 2020;51(3):248–57. Available from: http://www.ncbi.nlm.nih.gov/pubmed/32020135
11. Savegnago GDO, Pinto GV, Snovareski CF, Hamad N de O, Serpa GF, Liedke GS. Inteligência artificial na odontologia: uma revisão narrativa de literatura. Vol. 29, Revista da Faculdade de Odontologia UPF. 2024. p. 1–18.
12. Tandon D, Rajawat J. Present and future of arti fi cial intelligence in dentistry. J Oral Biol Craniofacial Res. 2020;10(July):391–6.
13. Li S, Guo Z, Lin J, Ying S. Artificial Intelligence for Classifying and Archiving Orthodontic Images. Vol. 2022, BioMed Research International. 2022.
14. Iruvuri AG, Miryala G, Khan Y, Ramalingam NT, Sevugaperumal B, Soman M, et al. Revolutionizing Dental Imaging: A Comprehensive Study on the Integration of Artificial Intelligence in Dental and Maxillofacial Radiology. Cureus. 2023.
15. Vandenberghe B. Vandenbergue.The digital patient – Imaging science in dentistry.pdf. Journal of Dentistry; 2018. p. 74:S21-S26.
16. Cozzani M, Sadri D, Nucci L, Jamilian P, Pirhadirad AP, Jamilian A. The effect of Alexander, Gianelly, Roth, and MBT bracket systems on anterior retraction: a 3-dimensional finite element study. Clinical Oral Investigations; 2019.
17. Mahto RK, Kafle D, Giri A, Luintel S, Karki A. Evaluation of fully automated cephalometric measurements obtained from web-based artificial intelligence driven platform. Vol. 22, BMC Oral Health. 2022.
18. Schwendicke F, Chaurasia A, Arsiwala L, Lee J, Elhennawy K, Jost-Brinkmann P, et al. Deep learning for cephalometric landmark detection systematic.pdf. Clinical Oral Investigations; 2021. p. 4299–309.
19. Boreak N. Effectiveness of Artifcial Intelligence Applications Designed for Endodontic Diagnosis, Decision-making, and Prediction of Prognosis: A Systematic Review. Vol. 21, Journal of Contemporary Dental Practice. 2020. p. 926–34.
20. Saghiri M, Asgar K, Boukani K, Lotfi M, Aghili H, Delvarani A, et al. A new approach for locating the minor apical.pdf. p. 257–65.
21. Buyuk C, Arican Alpay B, Er F. Detection of the separated root canal instrument on panoramic radiograph: a comparison of LSTM and CNN deep learning methods. Vol. 52, Dentomaxillofacial Radiology. 2023.
22. Ekert T, Krois J, Meinhold L, Elhennawy K, Emara R, Golla T, et al. Deep Learning for the apical lesions.pdf. Journal of Endodontics; 2019. p. v.45 (7), 917-922.
23. Setzer F, Shi K, Zhang Z, Yan H, Yoon H, Mupparapu M, et al. Artificial intelligence for the computer-aided detection of periapical lesions in cone-beam computed tomographic images. Artificial Intelligence for Healthcare. Journal of Endodontics; 2020. p. 987–93.
24. Minoo S, Ghasemi F. Automated Teeth Disease Classification using Deep Learning Models. Int J Appl Data Sci Eng Heal. 2024;1–9.
25. Choi E, Lee S, Jeong E, Shin S, Park H, Youm, S Son S, et al. Artifcial intelligence in positioning.pdf. Nature; 2022. p. 12(1) :1-7.
26. Shujaat S, Jazil O, Willems H, Van Gerven A, Shaheen E, Politis C, et al. Automatic segmentation of the pharyngeal airway space with.pdf. Journal of Dentistry; 2021.
27. Poedjiastoeti W, Suebnukarn S. Application of convolutional neural network in the diagnosis of Jaw tumors. Vol. 24, Healthcare Informatics Research. 2018. p. 236–41.
28. Lee J, Adhikari S, Liu L, Jeong H, Kim H. Osteoporosis detection in panoramic radiographs using a deep.pdf. Dentomaxillofacial Radiology; 2019. p. 48(1).
29. Murata M, Ariji Y, Ohashi Y, Kawai T, Fukuda M, Funakoshi T, et al. Deep learning classification using convolutional neural network for evaluation of maxillary sinusitis on panoramic radiography. Oral Radiol [Internet]. 2019;35(3):301–7. Available from: http://dx.doi.org/10.1007/s11282-018-0363-7
30. Geetha V, Aprameya KS, Hinduja DM. Dental caries diagnosis in digital radiographs using back-propagation neural network. Heal Inf Sci Syst [Internet]. 2020;8(1):1–14. Available from: https://doi.org/10.1007/s13755-019-0096-y
31. Devlin H, Williams T, Graham J, Ashley M. The ADEPT study: a comparative study of dentists’ ability to detect enamel-only proximal caries in bitewing radiographs with and without the use of AssistDent artificial intelligence software. British dental journal; 2021. p. 231(8):481-485.
32. Pérez de Frutos J, Holden Helland R, Desai S, Nymoen LC, Langø T, Remman T, et al. AI-Dentify: deep learning for proximal caries detection on bitewing x-ray – HUNT4 Oral Health Study. Vol. 24, BMC Oral Health. 2024.
33. Lee J, Seong-Nyum J. Efficacy of deep convolutional neural network algorithm for the identification and classification of dental implant systems, using panoramic and periapical radiographs A pilot study. Medicine; 2020. p. 99(26):e20787.
34. Sukegawa S, Yoshii K, Hara T, Yamashita K, Nakano K, Yamamoto N, et al. Deep neural networks for dental implant system classification. Biomolecules. 2020;10(7):1–13.
35. Jaskari J, Sahlsten J, Järnstedt J, Mehtonen H, Karhu K, Sundqvist O, et al. Deep Learning Method for Mandibular Canal Segmentation in Dental Cone Beam Computed Tomography Volumes. Vol. 10, Scientific Reports. Scientific Reports; 2020.
36. Jundaeng J, Chamchong R, Nithikathkul C. Periodontitis diagnosis: A review of current and future trends in artificial intelligence. Technol Health Care. 2025;33(1):473–84.
37. Khanagar SB, Vishwanathaiah S, Naik S, A. Al-Kheraif A, Devang Divakar D, Sarode SC, et al. Application and performance of artificial intelligence technology in forensic odontology – A systematic review. Leg Med. 2021;48.
38. Patil V, Vineetha R, Vatsa S, Shetty DK, Raju A, Naik N, et al. Artificial neural network for gender determination using mandibular morphometric parameters: A comparative retrospective study. Vol. 7, Cogent Engineering. 2020.
39. Pham C Van, Lee SJ, Kim SY, Lee S, Kim SH, Kim HS. Age estimation based on 3D post-mortem computed tomography images of mandible and femur using convolutional neural networks. PLoS One. 2021;16(5 May 2021):1–16.
40. Thurzo A, Jančovičová V, Hain M, Thurzo M, Novák B, Kosnáčová H, et al. Human Remains Identification Using Micro-CT, Chemometric and AI Methods in Forensic Experimental Reconstruction of Dental Patterns after Concentrated Sulphuric Acid Significant Impact. Molecules. 2022;27(13).
41. Vodanović M, Subašić M, Milošević D, Galić I, Brkić H. Artificial intelligence in forensic medicine and forensic dentistry. Vol. 41, Journal of Forensic Odonto Stomatology. 2023. p. 30–41.
42. Gichoya JW, Banerjee I, Bhimireddy AR, Burns JL, Celi LA, Chen LC, et al. AI recognition of patient race in medical imaging: a modelling study. Vol. 4, The Lancet Digital Health. 2022. p. e406–14.
43. Lipkova J, Chen R, Chen B, Lu M, Barbieri M, Shao D. Artificial intelligence for multimodal data integration in oncology. Artificial Intelligence for Business. Cancer Cell; 2022. p. 1095–107.
44. Román-Belmonte JM, de la Corte-Rodríguez H, Rodríguez-Merchán EC. Artificial intelligence in musculoskeletal conditions. Front Biosci – Landmark. 2021;26(11):1340–8.
45. Guiot J, Vaidyanathan A, Deprez L, Zerka F, Danthine D, Frix A, et al. A review inradiomics Making personalized medicine a reality via routine imaging.pdf. Med Res Rev; 2021. p. 1–15.
46. Jen SL, Hj Salam AR. A Systematic Review on The Use of Artificial Intelligence in Writing. Vol. 13, International Journal of Academic Research in Progressive Education and Development. Gynecologic Oncology; 2024. p. 596–605.
1Doutor em Odontologia. Professor das Disciplinas de Radiologia Odontológica e Imaginologia I e II da Universidade Federal Fluminense.