ARTIFICIAL INTELLIGENCE APPLIED TO THE DIAGNOSIS OF PERIAPICAL LESIONS: SYSTEMATIC REVIEW
INTELIGENCIA ARTIFICIAL APLICADA AL DIAGNÓSTICO DE LESIONES PERIAPICALES: REVISIÓN SISTEMÁTICA
REGISTRO DOI: 10.5281/zenodo.7982914
Mabel Martins Lima¹
Andre Castro Ramos²
Thereza Cristina Faria Botelho Dantas³
RESUMO
O diagnóstico constitui para o cirurgião-dentista uma tarefa muito importante e norteadora das condutas terapêuticas a serem instituídas. Para o diagnóstico diferencial das lesões que afetam a região periapical, são necessários exames complementares, onde se destaca o exame radiográfico, que adicionado aos dados clínicos nos darão fundamentos para chegar ao diagnóstico provável do paciente, uma vez que em algumas lesões somente será confirmado através do exame histopatológico. Apesar da revolução digital nas tecnologias de imagem, um diagnóstico preciso ainda depende da experiência e julgamento do especialista, e isso consome tempo e está sujeito a erros humanos. Para solucionar esses problemas surge a inteligência artificial que tem como objetivo minimizar a subjetividade da avaliação pessoal, fundamentar os exames radiológicos e procurar soluções semiautomáticas utilizando algoritmos computacionais para diagnóstico e mensuração de lesões maxilofaciais. Neste contexto, o presente trabalho apresenta uma revisão sistemática de inteligência artificial aplicada ao diagnóstico de lesões periapicais.
Palavras-chave: Lesões Periapicais. Endodontia. Radiologia. Inteligência Artificial. Diagnóstico.
ABSTRACT
For the dentist, the diagnosis is a very important task that guides the therapeutic approaches to be instituted. For the differential diagnosis of lesions that affect the periapical region, complementary tests are needed, in which the radiographic examination is highlighted, which, added to clinical data, will give us grounds to reach a probable diagnosis of the patient, since in some lesions it will only be confirmed through the examination. histopathological. Despite the digital revolution in imaging technologies, accurate diagnosis still depends on specialist experience and judgment and this is time consuming and subject to human error. To solve these problems, artificial intelligences arise, which aim to minimize the subjectivity of personal assessment, support radiological examinations and seek semi-automatic solutions using computational algorithms for diagnosis and measurement of maxillofacial lesions. In this context, the present work presents a systematic review of artificial intelligences applied to the diagnosis of periapical lesions.
Keywords: Periapical Lesions. Endodontics. Radiology. Artificial Intelligence. Diagnosis.
RESUMEN
El diagnóstico constituye una tarea muy importante para el cirujano dentista y orienta los procedimientos terapéuticos a instaurar. Para el diagnóstico diferencial de las lesiones que afectan la región periapical son necesarios exámenes complementarios, donde se destaca el examen radiográfico, que sumado a los datos clínicos nos darán fundamento para llegar al diagnóstico probable del paciente, ya que en algunas lesiones sólo se confirmará mediante el examen histopatológico. A pesar de la revolución digital en las tecnologías de imágenes, un diagnóstico preciso aún depende de la experiencia y el juicio del especialista, y esto requiere mucho tiempo y está sujeto a errores humanos. Para solucionar estos problemas surge la inteligencia artificial, que tiene como objetivo minimizar la subjetividad de la evaluación personal, apoyar los exámenes radiológicos y buscar soluciones semiautomáticas utilizando algoritmos computacionales para el diagnóstico y medición de lesiones maxilofaciales. En este contexto, el presente trabajo presenta una revisión sistemática de la inteligencia artificial aplicada al diagnóstico de lesiones periapicales.
Palabras clave: Lesiones periapicales. Endodoncia. Radiología. Inteligencia artificial. Diagnóstico.
1 INTRODUÇÃO
O papel da Endodontia é realizar um tratamento capaz de fornecer uma melhor qualidade de vida, além de manter o dente, com seus aspectos estéticos, funcionais e evitar complicações futuras. Pode-se dizer que houve excelentes avanços no diagnóstico endodôntico, na instrumentação, nos materiais e nos procedimentos de tratamento. Esses conjuntos de inovações tornaram o tratamento endodôntico mais preciso, eficaz e com maiores chances de ser bem-sucedido(Boreak 2020).
Uma das alterações que mais é vista e tratada na Endodontia são as lesões periapicais, estas surgem de uma reação inflamatória de defesa do organismo a um agente agressor, podendo ocorrer nos casos de infecção pulpar, necrose causada por trauma ou cárie dentária. É difícil se determinar a localização e extensão da lesão, que muitas vezes é percebida apenas quando existe alguma outra necessidade radiográfica de rotina, pois elas podem ser lesões assintomáticas (Barreto et al. 2020).
O diagnóstico é feito com um conjunto de procedimentos, além do exame clínico, ele envolve também as radiografias, juntamente com os exames clínicos e histológicos. Pode-se afirmar que existem duas estratégias fundamentais para o diagnóstico de lesões periapicais com o uso de radiografias, elas são divididas com base no seu foco, que seria: o diagnóstico em características locais e o diagnóstico baseado nas estruturas globais na radiografia. Ambas sofreram um grande acréscimo de possibilidades diagnósticas devido aos avanços tecnológicos clínicos, que vão desde o uso das radiografias periapicais digitais até o uso de tomografia computadorizada de feixe cônico (CBCT) e ressonância magnética (Silva et al. 2020; Yilmaz, Kayikcioglu, and Kayipmaz 2017).
A radiografia periapical, se enquadra na primeira estratégia de diagnóstico, pois é um exame que serve para visualizar radiograficamente a anatomia de um ou mais dentes e estruturas vizinhas. Esse tipo de radiografia permite o diagnóstico das lesões periapicais e é usado rotineiramente nas clínicas odontológicas, porém a sua interpretação pode ser alterada devido ao fator humano, podem ocorrer erros na interpretação, resultando em um tratamento incorreto (Barreto et al. 2020).
A eficiência e o desempenho clínico são essenciais para uma melhora no quadro clínico da doença endodôntica e da terapia. Já é de conhecimento dos endodontistas que a desinfecção insuficiente, a obturação inadequada do canal radicular, acidentes operatórios e o selamento coronário insuficiente são as principais causas responsáveis pela maioria dos casos de insucesso. Então, para alcançar os melhores resultados, é necessária uma maior precisão no diagnóstico e na tomada de decisão clínica (Boreak 2020; Campos et al. 2018).
A tecnologia, como já mencionado, trouxe vários acréscimos ao processo de diagnóstico, tomada de decisões clínicas e no planejamento do tratamento de lesões periapicais. A inteligência artificial é uma tecnologia mais recente que tem sido amplamente utilizada na Odontologia. A tecnologia de inteligência artificial é baseada na rede neural humana, sendo uma rede que tenta mimetizar o pensamento humano, como a capacidade de aprendizagem e o armazenamento de conhecimento (Boreak 2020; Nascimento Neto et al. 2020).
A maior vantagem desses sistemas é que eles têm capacidade para resolver os problemas que são muito complexos de serem resolvidos por métodos convencionais. Eles são úteis em várias áreas da ciência médica, como diagnóstico de doenças, identificação biomédica, análise de imagens e análise de dados.
Na prática odontológica os sistemas de suporte clínico também estão progredindo ativamente, os maiores benefícios na área da odontologia são: a rapidez, diagnósticos mais precisos (como decisões lógicas e factíveis) e padronização de procedimentos) (Tandon and Rajawat 2020).
É pensando nessa necessidade de alcançar melhores resultados que o presente artigo tem como prioridade ser um material de consulta e atualização para os Endodontistas e demais profissionais da odontologia sobre diagnóstico de lesões periapicais com o auxílio de Inteligência Artificial, sendo um material de qualidade que resumirá os atuais estudos sobre o assunto.
2 METODOLOGIA
O presente artigo segue a metodologia do PRISMA (Principais Itens para Relatar Revisões Sistemáticas e Meta-Análises) que teve suas definições estipuladas na Colaboração Cochrane, organização internacional que tem por objetivo ajudar as pessoas a tomarem decisões baseadas em informações de boa qualidade na área da saúde (Moher D, Liberati A, Tetzlaff J 2015).
O PRISMA possui recomendação de 27 itens essenciais para se construir uma revisão sistemática de excelência, itens que podem ser encontrados em todo o corpo deste trabalho, desde o título, passando pela limitação dos estudos selecionados, até chegar à conclusão da pesquisa (Moher D, Liberati A, Tetzlaff J 2015).
O destaque dos itens da PRISMA está concentrado no conteúdo da metodologia, pois deve seguir determinada sistematização pré-definida desde seu registro em órgão competente internacional, para garantir que não seja replicada por outra pesquisadora. Dentre os itens a serem destacados na metodologia, tem-se: Protocolo e registro, fontes de informação e estratégia de pesquisa, critérios de elegibilidade, seleção dos estudos e risco de viés em estudos individuais.
2.1 Protocolo e registro
Esta revisão sistemática foi realizada de junho a outubro de 2021 na Faculdade Paulo Picanço, Ceará, Brasil. Ela tem como finalidade reunir os conhecimentos atuais do uso de inteligência artificial no diagnóstico de lesões periapicais.
O presente estudo foi registrado no Registro Prospectivo Internacional de Revisões Sistemáticas (PROSPERO CRD42021250860) disponível em https: //www.crd.york. ac.uk/PROSPERO/.
2.2 Fontes de informação e estratégia de pesquisa
Estudos relatando aplicações de IA em diagnóstico de lesões periapicais foram pesquisados nos bancos de dados eletrônicos como: PubMed, Google Scholar, Medline, Embase, Cochrane, Lilacs, Periódicos capes, Dentistry & Oral Sciences Source, Scielo, Scopus e Web of Science e BVS para artigos de pesquisa originais publicados de 1º de janeiro de 2017 a 1º de outubro de 2021.
Uma combinação de palavras de índice (tanto no idioma inglês, como no português, quando possível) como artificial inteligência; lesões periapicais; diagnóstico; endodôntico; aprendizado de máquina; modelos de aprendizagem profunda e odontologia foram utilizados na estratégia de busca.
A estratégia de busca foi relacionada aos elementos PICO (problema/paciente/população, intervenção, comparação e desfecho), podendo ser vista mais à frente na Tabela 1.
Na busca preliminar, os artigos foram recuperados referentes ao título e ao resumo. As bases de dados eletrônicas foram a única e principal fonte dos artigos. A busca preliminar resultou em 435 artigos relacionados ao nosso tema de interesse. Devido à duplicação dos dados e do conteúdo descrito em seus títulos e resumos, foram eliminados 435 artigos, sendo apenas considerados 52 artigos para a etapa seguinte, após a qual foram aplicados os seguintes critérios de elegibilidade:
Critério de inclusão: O artigo deve ter informado na aplicação do modelo de inteligência artificial; alguns valores mensuráveis ou preditivos e conjuntos de dados usados para a avaliação do modelo devem ser claramente mencionados.
Critério de exclusão: Artigos não publicados carregados online, artigos apenas com resumos sem texto completo, outros tipos de publicações científicas que não sejam artigos, artigos que não se enquadram no padrão Qualis desejado (A1 e A2) ou que não foram possíveis de detectar sua qualidade.
Tabela 1 : Descrição dos elementos PICO
2.3 Seleção de estudos e processo de coleta de dados
A seleção dos artigos foi realizada em duas fases:
Na Fase 1 dois pesquisadores independentes (ACR e MML) determinaram a elegibilidade lendo títulos e resumos de cada estudo identificado; posteriormente, alguns artigos encontrados em diferentes bases de dados foram excluídos por duplicação.
Na Fase 2 o texto completo dos artigos elegíveis foi avaliado seguindo os critérios de inclusão e disponibilidade de todo seu conteúdo na integra. Cada estudo selecionado foi analisado e as seguintes variáveis adotadas para a revisão sistemática foram sumarizadas quando disponíveis: qualidade da revista de publicação (Qualis A1 e A2), tipo de estudos (qualitativos), base de dados (uso de exames radiográficos), aplicação da inteligência artificial usada.
Os pesquisadores extraíram os dados independentemente usando critérios previamente estabelecidos, com vocabulário controlado DeCS (descritores em ciências da saúde). Oito artigos qualificaram os critérios de elegibilidade.
2.4 Risco de viés em estudos individuais
A metodologia utilizada para avaliação da qualidade dos estudos foi através da ferramenta Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2) (Whiting et al. 2011), a metodologia foi realizada por dois autores independentes. Os casos de discrepâncias foram resolvidos por acordo mútuo entre todos os autores do artigo. Foi utilizada a ferramenta QUADAS-2 (Medeiros 2020) para avaliar a qualidade dos oito estudos incluídos nesta revisão. Na seleção de pacientes, encontramos risco de vieses baixos em quatro estudos (50%) e baixo-médio risco em quatro (50%). Na avaliação dos testes índices observamos seis estudos (85%) com baixo risco de vieses, dois estudos (15%) com risco baixo-moderado.
Em relação ao teste considerado padrão ouro (referência) tivemos dois estudos (25%) com alto risco de vieses e dois com risco moderado (25%). Nos vieses de fluxo e tempo, oitos estudos (100%) tiveram baixo risco. A seguir, na Tabela 2, apresenta-se a utilização da ferramenta QUADAS-2, aplicada aos oito artigos inclusos (identificados pelo autor principal e o ano de publicação).
Tabela 2: Análise dos autores utilizando a metodologia QUADAS-2
Fonte: Produzida pela autora (2021).
3 RESULTADOS
Os autores seguiram as diretrizes estabelecidas pelo QUADAS-2 (Ferramenta de Avaliação de Qualidade e Precisão de Diagnóstico), uma ferramenta padrão implícita para avaliação de qualidade. Houve discordância entre os autores para inclusão de 29 artigos, 5 por serem revisões sistemáticas ou de escopo e 4 por não atenderem o padrão de qualidade A1 e A2, sendo assim, excluídos. Um total de 8 artigos de natureza observatória (quantitativos) foram finalmente considerados para a síntese da qualidade, conforme apresentado no Fluxograma 1.
Fluxograma 1 : Etapas de busca, eleição e exclusão de artigos
O trabalho e a dedicação dos autores resultaram em uma planilha que ilustra não só que o uso de Inteligência artificial se mostrou eficaz em vários estudos de diagnóstico de lesões periapicais, como seria uma ferramenta de auxílio para otimizar o tempo clínico. A seguir, na Tabela 3, tem-se a resultante da revisão sistemática confeccionada pelos próprios autores.
Tabela 3 – Resultante da revisão sistemática
Fonte: Produzido pela própria autora, 2021.
Os resultados mostram uma prevalência pelo uso de Rede Neural Convolucional Profunda (CNN) e de Deep Learning (DL) nos estudos de Inteligência Artificial na esfera de diagnóstico, estando a grande maioria dos estudos em estágio experimental. Existe uma relação diretamente proporcional entre a amostra de dados e a precisão diagnóstica da IA, ou seja, quanto maior a amostra maior a precisão.
A falha mais comum das IAs nos estudos selecionais seria a capacidade de distinguir a numeração dos dentes, quando existe agenesia ou outro motivo de ausência dental. Esses estudos exigem um alto custo em investimento de Pesquisa e Desenvolvimento, a disponibilidade de um grande bando de dados de imagens radiográficas para alimentar as redes neurais, a colaboração de profissionais de saúde dispostos a contribuir com sua experiência diagnóstica clínica para participarem do treinamento de precisão diagnóstica.
Apesar dessas limitações, uma vez implementado o sistema, ele tem a possibilidade de agilizar processos de grande demanda, como seria o caso do fluxo de atendimento de Sistemas de Saúde Pública, otimizando tanto o tempo como o fluxo processual de diagnóstico, possibilitando que muitos dentes que iriam para a cirurgia de exodontia, pelo longo tempo de espera pelo tratamento, sejam recuperados pelo tratamento de canal.
4 DISCUSSÃO
Apesar da radiografia periapical ser o padrão ouro, ela tem sua capacidade descritiva limitada e não é adotada em todas as análises, apesar de ser uma ferramenta diagnostica prevalente na prática clínica, pois possui menor custo e expõe menos o paciente à radiação.
Em contrapartida, a tomografia computadorizada de feixe cônico (CBCT) seguida pelas radiografias panorâmicas são preferidas, principalmente na análise se lesões de maior extensão e em casos de cistos e tumores odontogênicos.
Outro ponto a ser observado é a prevalência pelo uso das Redes Neurais Profundas, que, apesar de ser uma ferramenta poderosa no campo das Inteligências Artificiais, também são considerados modelos de previsão opacos. Suas previsões são consideradas opacas devido a sua estrutura ser complexa e não linear, o que torna difícil a racionalização sobre o processo de tomada de decisão inerente.
Outro ponto a ser observado seria a confiabilidade dos examinadores que constituem para a testagem do teste de referência, nem todos os examinadores eram especialistas em endodontia ou radiologia odontológica, e em alguns estudos existe apenas uma dupla examinadora, o que para se ter uma checagem mais confiável seria necessário no mínimo três avaliadores, para casos de contradição entre os dois avaliadores, obter-se um diagnóstico mais preciso resultado de um consenso e argumentação decisiva.
5 CONSIDERAÇÕES FINAIS
O algoritmo de Redes Neurais Convulsionais (CNN) foi apresentado como o mais eficiente tipo de Inteligência Artificial para o diagnóstico de lesões periapicais mostrando-se eficaz, eficiente e preciso para detecção e diagnóstico após treinamento de processamento de imagem e reconhecimento de padrão.
No artigo de Lee, 2020 foi possível obter uma acurácia diagnóstica variando de 82% a 89%. Apesar de serem em sua maioria estudos de desenvolvimento, este campo traz novas perspectivas clínicas mais precisas, eficientes e promete produzir técnicas adaptáveis que podem ser úteis para os cirurgiões-dentistas que investirem nessa tecnologia.
A Revisão Sistemática é uma das etapas necessárias para que se possa realizar o desenvolvimento de instruções sobre práticas clínicas, novas tecnologias e patentes em qualquer área do conhecimento e o uso de Inteligência artificial na área de diagnostico se mostrou um bom investimento para instituições que possuem grande fluxo de pacientes.
REFERÊNCIAS
Barreto, Joniel, Danilo Oliveira, Rui Vigelis, and Iális Jr. 2020. “Identificação de Lesões Periapicais Em Exames de Radiografia Utilizando Clusterização Baseada Na \varphi-Divergência e Algoritmos de Classificação.” 22–25. doi: 10.14209/sbrt.2020.1570661694.
Boreak, Nezar. 2020. “Effectiveness of Artificial Intelligence Applications Designed for Endodontic Diagnosis, Decision-Making, and Prediction of Prognosis: A Systematic Review.” The Journal of Contemporary Dental Practice 21(8):926–34.
Campos, Fernanda Lamounier, Luiza Cruz Guimarães, Gustavo de Cristofaro Almeida, and Ana Cecilia Diniz Viana. 2018. “Causas de Insucessos No Tratamento Endodôntico – Análise Dos Casos de Retratamento Atendidos No Projeto de Extensão Da Faculdade de Odontologia Da UFMG.” Arquivos Em Odontologia 53(20):1–8.
Medeiros LF. Inteligência Artificial Aplicada – Aula 1. Academia.Edu – Uninter. 2020 Ago; 1-18.
Moher D, Liberati A, Tetzlaff J, Altman DG. 2015. “Principais Itens Para Relatar Revisões Sistemáticas e Meta-Análises: A Recomendação PRISMA.” Epidemiologia e Serviços de Saúde 24:335–42.
Nascimento Neto, Conrado Dias, Karla Firme Leão Borges, Patrícia de Oliveira Penina, and Adan Lúcio Pereira. 2020. “Inteligência Artificial e Novas Tecnologias Em Saúde: Desafios e Perspectivas.” Brazilian Journal of Development 6(2):9431–45. doi: 10.34117/bjdv6n2-306.
Silva, Virginia K. S., Walbert A. Vieira, Ítalo M. Bernardino, Bruno A. N. Travençolo, Marcos A. V Bittencourt, Cauane Blumenberg, Luiz R. Paranhos, and Hebel C. Galvão. 2020. “Accuracy of Computer-Assisted Image Analysis in the Diagnosis of Maxillofacial Radiolucent Lesions: A Systematic Review and Meta-Analysis.” Dento Maxillo Facial Radiology 49(3):20190204. doi: 10.1259/dmfr.20190204.
Tandon, Divya, and Jyotika Rajawat. 2020. “Present and Future of Artificial Intelligence in Dentistry.” Journal of Oral Biology and Craniofacial Research 10(4):391–96. doi: 10.1016/j.jobcr.2020.07.015.
Whiting, Penny F., Anne W. S. Rutjes, Marie E. Westwood, Susan Mallett, Jonathan J. Deeks, Johannes B. Reitsma, Mariska M. G. Leeflang, Jonathan A. C. Sterne, and Patrick M. M. Bossuyt. 2011. “QUADAS-2: A Revised Tool for the Quality Assessment of Diagnostic Accuracy Studies.” Annals of Internal Medicine 155(8):529–36. doi: 10.7326/0003-4819-155-8-201110180-00009.
Yilmaz, E., T. Kayikcioglu, and S. Kayipmaz. 2017. “Computer-Aided Diagnosis of Periapical Cyst and Keratocystic Odontogenic Tumor on Cone Beam Computed Tomography.” Computer Methods and Programs in Biomedicine 146:91–100. doi: 10.1016/j.cmpb.2017.05.012.
¹Autor principal: https://orcid.org/0000-0001-8080-5180;
Faculdade Paulo Picanço;
mabelmartinslima@gmail.com
²Co-autor: https://orcid.org/0000-0002-7342-482X;
Universidade Federal do Ceará ;
acastroramos1987@gmail.com
³Orientador: https://orcid.org/0000-0003-1539-2484;
Faculdade Paulo Picanço;
thereza.dantas@facpp.edu.br