Aplicação de IA na deteção de cáries dentárias

A IA no diagnóstico de cárie tem evoluído dos métodos estatísticos tradicionais para o Deep Learning, utilizando sobretudo CNNs( 1) e arquiteturas U-Net. (2)

Estas redes permitem a extração automática de padrões subtis em radiografias, apresentando frequentemente enorme sensibilidade e especificidade. Modelos avançados, como o CariesNet, já conseguem segmentar e classificar lesões (superficiais, médias e profundas) com um coeficiente de precisão (Dice) entre 93–94% em bases de dados de panorâmicas.

Contudo, a IA ainda enfrenta as limitações físicas do método radiográfico: as lesões ocupam uma área mínima da imagem (≈1–2% da panorâmica) e a visibilidade radiográfica só ocorre após cerca de 40% de desmineralização. Isto restringe a deteção de lesões iniciais de esmalte, independentemente do algoritmo. Por este motivo, a tendência atual é a integração de dados de modalidades não ionizantes, como NILT (transiluminação infravermelha), OCT e espectroscopia, onde modelos de classificação já atingem acurácia superior a 90% na distinção entre tecido hígido e cariado em ambiente controlado.

Adicionalmente, o uso de redes de deteção (como YOLO ou Faster R-CNN) em imagens de smartphone abre caminho para a triagem comunitária através de fotografias intraorais, embora com desempenho inferior às técnicas de consultório. Em suma, a combinação de arquiteturas de IA com múltiplas modalidades imagiológicas posiciona estas ferramentas como um suporte fundamental à decisão clínica e à padronização do diagnóstico, especialmente em cáries ocultas e proximais, sem nunca substituir o julgamento do médico dentista."

(1) Uma rede neural convolucional (CNN) é uma forma especial de rede neural artificial desenvolvida para reconhecimento de imagens e outras aplicações em inteligência artificial.
(2) A U Net é uma arquitetura de rede neural convolucional projetada para tarefas de segmentação de imagens, especialmente em imagens biomédicas.

Fontes: Diversas

Foto Gemini IA