Aplicações de Inteligência Artificia (IA) para a Medicina Dentária

 A pesquisa em inteligência artificial (IA) em medicina dentária  é relativamente recente.   Algumas das áreas sob investigação

—Software de criação de gráficos totalmente automatizado

Para automatizar o mapeamento dentário em radiografias, vários algoritmos de Machine Learning e Deep Learning estão a ser testados. A radiografia mais comum utilizada para o prontuário dentário é o ortopantomograma (OPG). No entanto, os pesquisadores descobriram que é uma tarefa difícil. Isto é devido à anatomia sobreposta do OPG (zigoma, seios nasais), o que faz com que o algoritmo fique confuso. Embora o algoritmo faça um bom trabalho ao reconhecer os dentes, ele é prejudicado por artefatos, doenças, dentes impactados e vários tipos de implantes dentários.

"Deve-se notar que os médicos dentistas não dependem inteiramente de radiografias dentárias para deteção de cárie, portanto, não integrar a história do paciente e o exame clínico é uma restrição na deteção automatizada de cárie."

—Deteção automática de cárie

Em radiografias periapicais (PA) e bitewing (BW), há pesquisas em andamento sobre deteção de cárie oclusal e proximal. A deteção de cárie foi feita usando modelos ML e DL. Deve-se notar que os médicos dentistas não dependem inteiramente de radiografias dentárias para deteção de cárie, e, portanto, uma desvantagem de deteção de cárie automatizada é a falta de história do paciente e exame clínico.

—Periodontologia

Algoritmos estão a ser desenvolvidos para diagnosticar opções de tratamento e estimar o prognóstico de dentes afetados por periodontite. Os algoritmos são melhores em fazer previsões precisas para dentes de raiz única do que para dentes multienraizados, portanto, as primeiras tentativas nesta empreitada não parecem promissoras.

—Ortodontia

Antes de iniciar o tratamento, as fases mais cruciais na ortodontia são o diagnóstico e o planeamento. Para projetar o tratamento de extração versus não extração, a inteligência artificial estáa  ser desenvolvida. Radiografias, imagens de pré-tratamento e modelos de estudo são geralmente usados para ajudar o ortodontista a fazer esses julgamentos. Como resultado, não é surpreendente que a IA que foi posta à prova tenha falhado miseravelmente quando se tratou de decidir extrair ou não com base apenas em radiografias.

—Cancro oral

As neoplasias orais devem ser detetadas de forma correta e precoce para que os pacientes tenham um bom prognóstico. Neste campo de estudo, a IA mostrou muito potencial. Os pesquisadores demonstraram que os modelos DL têm um alto potencial diagnóstico para detetar neoplasias tanto radiograficamente quanto histologicamente. Além disso, foi demonstrado que a IA diagnostica lesões mais rapidamente do que os especialistas humanos.

Limitações

O Deep Learning, em particular, exige muitos dados; para ser preciso, o algoritmo deve ser treinado em enormes quantidades de dados rotulados. Isso gerou um mercado para conjuntos de dados massivos, bem como uma série de questões éticas. É o doente ou o prestador de cuidados de saúde que detém esta informação? Esta é uma questão que tem de ser abordada. Antes de usar as radiografias de um paciente para o desenvolvimento de IA, a permissão do paciente deve ser obtida. Há sérios receios de que os dados dos pacientes sejam utilizados de forma antiética pelo setor dos cuidados de saúde e pelas companhias de seguros para publicidade direcionada e tomada de decisões sobre prémios.

Além disso, como será resolvida uma discrepância diagnóstica entre o médico dentista e a tecnologia de IA? Quem será responsabilizado por quaisquer consequências negativas que aconteçam como resultado do diagnóstico incorreto da tecnologia de IA?

A presente literatura científica sobre pesquisa de medicina dentária relacionada com IA está inconsistentemente documentada, resultando em um alto nível de variabilidade. Um exame mais atento revela que os modelos de IA dentária são sobrepostos e têm generalizabilidade questionável. Deve ser estabelecida uma estrutura para supervisionar a pesquisa de IA aberta e controlar a qualidade do software de IA.

NOTAS:

O que é inteligência artificial (IA)?

A tecnologia disruptiva é definida como uma inovação que perturba drasticamente a forma como os consumidores pensam e as empresas operam. As tecnologias disruptivas incluem automóveis, telefones, computadores e internet. A Inteligência Artificial (IA) está a progredir rapidamente de uma tecnologia futura para uma tecnologia disruptiva.

No nosso dia-a-dia, estamos rodeados de IA. A inteligência artificial (IA) está enraizada no nosso dia-a-dia graças aos nossos smartphones. Os algoritmos de IA são utilizados pelas redes sociais para melhorar as nossas experiências online e recomendar conteúdos e anúncios personalizados. Da mesma forma, os algoritmos de IA são usados em várias tecnologias, como assistentes inteligentes (Siri, Alexa), carros autónomos, câmeras de telefone e filtros de spam.

Machine learning (ML) e Deep Learning (DL)

IA é uma frase guarda-chuva que se refere a um algoritmo de computador que pode simular a inteligência humana executando funções cognitivas, como aprendizagem e resolução de problemas. Machine Learning (ML) e Deep Learning (DL) são duas outras subcategorias de IA que são frequentemente utilizadas de forma intercambiável, o que é incorreto. Como resultado, é necessária uma maior compreensão das suas diferenças. Simplesmente descrito, o machine learning (ML) é um conjunto de algoritmos estatísticos especializados que aprendem padrões a partir de dados e geram previsões com base em dados desconhecidos.Deep Learning  (DL) é uma variante mais avançada da ML que é baseado no cérebro humano.

O DL é construído em uma unidade elementar conhecida como neurónios artificiais (perceptron), que são colocados  em três camadas (entrada, oculta e saída) para formar uma Rede Neural Artificial (ANN). A expressão 'Deep Learning' refere-se a um ANN com várias camadas ocultas, bem como uma camada de entrada e saída

Pesquisas recentes de IA mudaram seu foco domachine learning para o Deep Learning, devido às inúmeras vantagens do DL. Os algoritmos DL podem aprender recursos e reconhecer padrões por conta própria, enquanto os algoritmos de ML exigem entrada manual de especialistas no assunto, o que é um processo caro e demorado. Além disso, se um algoritmo de ML produzir uma previsão incorreta, um especialista em tópicos deve fazer alterações para aprimorá-la. O algoritmo em DL pode medir sua precisão e, como resultado, mudar e melhorar a si mesmo na próxima iteração. O DL pode atingir níveis de precisão extremamente altos como resultado dessas características, tornando-o mais útil em aplicações da vida real.

A visão computacional (a capacidade de reconhecer e identificar imagens), o processamento de linguagem natural (a capacidade de compreender e contextualizar palavras) e o processamento de sinais de áudio estão todos usando aprendizagem profunda (reconhecimento de fala). A visão computacional, que usa a Convolution Neural Network (CNN) como uma forma especial de abordagem DL para processamento de imagem, tem sido a aplicação  mais significativa de IA na medicina dentária.

"Embora o algoritmo faça um bom trabalho de reconhecimento de dentes, ele é prejudicado por artefatos, doenças, dentes impactados e vários tipos de implantes dentários."

Um CNN é um algoritmo neural artificial (ANN) mais avançado que inclui uma camada especializada conhecida como camada convolucional. Esta camada convolucional funciona como uma janela deslizante, procurando certos elementos em uma imagem, como bordas, formas, bordas e cores, a fim de comprimir imagens complexas em um mapa de recursos para um processamento mais rápido.

Fonte: DentalReach