Revolución en el cribado dental mediante inteligencia artificial
Los modelos de deep learning ofrecen nuevas posibilidades para detectar problemas de salud bucal de forma sencilla y accesible, y así reducir el riesgo de enfermedad periodontal y su progresión.
La detección temprana de la placa dental y la gingivitis es fundamental para prevenir la periodontitis y mantener la salud bucal y sistémica. Las disparidades en el acceso a la atención dental subrayan la necesidad de soluciones escalables para el cribado temprano.
El potencial de la inteligencia artificial (IA) y el deep learning (DL) para mejorar la detección y democratizar el cribado de la salud bucal es prometedor, especialmente cuando se combinan con modalidades de imagenología accesibles como las fotografías intraorales.
Esta revisión sistemática, liderada por el Dr. Mohammad Moharrami de la Facultad de Odontología de la Universidad de Toronto, Canadá, tuvo como objetivo evaluar el rendimiento de los modelos de deep learning (DL) en la detección de placa dental y gingivitis a partir de fotografías intraorales rojas, verdes y azules (RGB).
Se realizó una búsqueda exhaustiva de literatura en Medline, Scopus, Embase y Web of Science hasta el 31 de enero de 2025. Se analizaron las características metodológicas y las métricas de rendimiento de los estudios que desarrollaron y validaron modelos DL para tareas de clasificación, detección o segmentación.
De 3.307 registros encontrados, solo 23 estudios cumplieron con los criterios de inclusión. De estos, 10 se enfocaron en la placa dental, 11 en la gingivitis y dos abordaron ambos resultados. Respecto a la placa dental, los modelos DL lograron buenos resultados en su identificación, con una precisión que varió entre 0,64 y 0,86 (mediana: 0,74), y las muestras utilizadas oscilaron entre 168 y 3.932 imágenes. Tres estudios mostraron que estos modelos superaron a los dentistas para detectar la placa, cuando no se utilizaron agentes reveladores. Para la gingivitis, los modelos también mostraron que tienen potencial, pero su precisión fue menor, con valores entre 0,43 y 0,72 (mediana: 0,63), con tamaños de muestra que variaron entre 134 y 7.211 imágenes.
En conclusión, los modelos de deep learning demuestran un potencial prometedor para detectar placa dental y gingivitis a partir de fotografías intraorales, con un rendimiento superior en la detección de placa. Aprovechando dispositivos de imagenología accesibles, como los teléfonos inteligentes, estos modelos pueden mejorar la teleodontología y facilitar el cribado temprano de la enfermedad periodontal. Sin embargo, se necesita más investigación para garantizar la aplicabilidad en el mundo real.
Fuente bibliográfica
Deep Learning for Detecting Dental Plaque and Gingivitis From Oral Photographs: A Systematic Review
Moharrami M, et al.
https://doi.org/10.1111/cdoe.70001
