Avanços da Inteligência Artificial (IA) em Cirurgia Oral e Maxilofacial

Na cirurgia oral, a IA é utilizada para rastrear alterações patológicas utilizando dados de imagem. A investigação indica uma forte preferência pela IA na deteção de tumores de cabeça e pescoço através de várias técnicas de imagem.

A detecção precoce de lesões com potencial de malignização e estadiamentos iniciais de neoplasias subjacentes é o fator determinante para a otimização do prognóstico e o aumento das taxas de sobrevida. Nesse contexto, a IA emerge como uma ferramenta disruptiva no rastreio de alterações patológicas através de análise computacional de dados imagiológicos.

Modelos de Predição de Transformação Maligna e Detecção de Lesões

A literatura evidencia uma elevada acuidade dos algoritmos de IA na identificação de tumores de cabeça e pescoço em diversas modalidades diagnósticas.

— Predição de Malignização: Estudos utilizando algoritmos como Cox-Time, DeepHit, DeepSurv e Random Survival Forest (RSF) em doentes com leucoplasias orais e lesões liquenoides demonstraram eficácia preditiva superior. Modelos como o DeepSurv e RSF atingiram índices de concordância (C-index) de 0,95 e 0,91, respetivamente.

— Redes Neuronais e Triagem: Redes Neuronais Artificiais (RNA) e Redes Neuronais Convolucionais (CNN) leves têm sido desenvolvidas para estratificar o risco com base em fatores clinicopatológicos, alcançando precisões de até 90%. Estas ferramentas são particularmente promissoras para integração em dispositivos de diagnóstico point-of-care de baixo custo.

—Endomicroscopia Confocal(“Biópsia óptica”,: A utilização de deep learning  em imagens de endomicroscopia confocal a laser superou métodos tradicionais de análise de textura, apresentando uma AUC(1)de 0,96 no diagnóstico de CECO (Carcinoma Espinocelular).

Estadiamento Metastático e Extensão Extranodal

Em doentes diagnosticados com tumores maxilofaciais, tanto os gânglios linfáticos cervicais como as metástases à distância estão associados a um aumento da recorrência do tumor e a uma redução das taxas de sobrevivência. O exame patológico continua a ser o método definitivo para o diagnóstico de tumores malignos, enquanto os exames de imagem desempenham um papel crucial tanto no diagnóstico como no tratamento

— Metástases Ocultas: Algoritmos de machine learning que integram variáveis clínicas e patológicas têm demonstrado maior eficácia que a análise isolada da profundidade de invasão tumoral na predição de metástases linfonodais ocultas.

—Extensão Extranodal (ENE): Modelos de deep learning aplicados à Tomografia Computadorizada (TC) revelaram-se superiores à análise visual de radiologistas na detecção de expansão extranodal, uma variável fulcral para o planeamento da terapêutica adjuvante.

A IA tem facilitado a segmentação automática e mapeamento tridimensional de estruturas anatómicas críticas, com destaque para o Nervo Alveolar Inferior (NAI).

— Segmentação do NAI: A aplicação de arquiteturas como a nnU-Net e ResNet-50 permite a localização precisa do canal mandibular em relação aos terceiros molares e áreas de reabilitação.

— Aprendizagem Ativa: O uso de conjuntos de dados multicêntricos e metodologias de aprendizagem ativa tem elevado o Coeficiente de Similaridade de Dice (DSC), garantindo uma segmentação mais célere e segura em comparação com o delineamento manual em CBCT.

— Segurança Operatória: Estes avanços minimizam o risco de parestesias e neuropatias iatrogénicas durante osteotomias, exodontias complexas e instalação de implantes.

(1)  AUC - “Área sob a curva ROC”, uma medida de desempenho de testes diagnósticos que varia de 0,5  e 1,0 (perfeito). Valores acima de 0,9 são geralmente classificados como desempenho excelente.

Fonte: Diversas

Foto: gerada por IA