El estado del arte de la Inteligencia Artifical (IA) en radiología dental: una revisión sistemática
DOI:
https://doi.org/10.21270/archi.v10i7.5069Palabras clave:
Inteligencia Artificial, Aprendizaje, Aprendizaje Automático, RadiologíaResumen
Introducción: La inteligencia artificial (IA) es la capacidad de imitar la función cerebral. Es una tecnología que utiliza aprendizaje automático, redes neuronales artificiales y aprendizaje profundo. Además, utilizan algoritmos mejorados para "conocer" los recursos de un gran volumen de datos de salud para contribuir a la actividad clínica, proporcionando un resultado más rápido y preciso, reduciendo así los errores de diagnóstico. Objetivo: El objetivo de esta revisión sistemática es discutir el estado del arte en inteligencia artificial en radiología dental. Material y método: En la búsqueda de evidencia, se consultaron las bases de datos MEDLINE, PubMed, BBO, LILACS, BIREME, Google Scholar y COCHRANE, utilizando la estrategia PICOS. Todo el proceso de evaluación y selección fue realizado por dos examinadores independientes. Resultados: Se encontraron 878 artículos, siguiendo los criterios de elegibilidad, se analizaron los títulos y resúmenes y se excluyeron 778 resúmenes del estudio, 10 textos completos y finalmente se incluyeron 10 estudios en el trabajo. Conclusión: Se llegó a la conclusión de que los resultados obtenidos confirman que tanto el aprendizaje profundo como el aprendizaje de máquinas y redes neuronales artificiales son un campo precursor que muestra resultados alentadores, principalmente por la asistencia relevante brindada a profesionales sin experiencia y por proporcionar un diagnóstico más preciso y rápido. La inteligencia artificial asociada con la radiología dental muestra la optimización del tiempo, la precisión diagnóstica, la elaboración de tratamientos personalizados y la predicción de la efectividad del tratamiento, características que contribuyen a una mejor calidad de la atención y, por lo tanto, otra herramienta de ayuda para los profesionales de la radiología odontológica.
Descargas
Citas
Yaji A, Prasad S, Pai A. Artificial Intelligence in Dento-Maxillofacial Radiology. Act Scient Dent Scienc. 2018;3(1):116-18.
Khanna SS, Dhaimade PA. Artificial Intelligence: Transforming Dentistry Today. J Ind Basic Ap Med Research. 2017;6(3):161-64.
Schwab KA Quarta revolução industrial. Barcelona: Debate; 2016.
Lobo LC. Artificial Intelligence, the Future of Medicine and Medical Education. Rev Bras Educ Med. 2018;42(3):3-8.
Liew C. The future of radiology augmented with Artificial Intelligence: A strategy for success. Eur J Radiol. 2018;102:152-56.
Paiva OA, Prevedello LM. O potencial impacto da inteligência artificial na radiologia. Radiol Bras. 2017;50(5):V-VI.
Azevedo-Marques PM, Mencattini A, Salmeri R, et al. Medical image analysis and informatics. Boca Raton, FL: CRC Press; 2017.
Doi K. Computer-aided diagnosis in medical imaging: historical review, current status and future potential. Comput Med Imaging Graph. 2007;31:198-211
Aerts HJWL. The potential of radiomic-based phenotyping in precision medicine: a review. JAMA Oncol. 2016;2:1636-42.
Keek SA, Leijenaar RT, Jochems A, et. al. A review on radiomics and the future of theranostics for patient selection in precision medicine. Br J Radiol. 2018;91:20170926
Kalappanavar A, Sneha S, Annigeri RG. Artificial intelligence: A dentist’s perspective - J Med RadiolPathol Surg. 2018;5:2-4.
Kise Y, Ikeda H, Fujii T, Fukuda M, Ariji Y, Fujita H, Katsumata A, Ariji E. Preliminary study on the application of deep learning system to diagnosis of Sjögren's syndrome on CT images. Dentomaxillofac Radiol. 2019;48(6):20190019.
Murata M, Ariji Y, Ohashi Y, Kawai T, Fukuda M, Funakoshi T, Kise Y, Nozawa M, Katsumata A, Fujita H, Ariji E. Deep-learning classification using convolutional neural network for evaluation of maxillary sinusitis on panoramic radiography. Oral Radiol. 2019;35(3):301-7.
Hiraiwa T, Ariji Y, Fukuda M, Kise Y, Nakata K, Katsumata A, Fujita H, Ariji E. A deep-learning artificial intelligence system for assessment of root morphology of the mandibular first molar on panoramic radiography. Dentomaxillofac Radiol. 2019;48(3):20180218.
Lee JH, Kim DH, Jeong SN, Choi SH. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. J Dent. 2018: 10.1016/j.jdent. 2018.07.015.
Kim, D.W., Lee, S., Kwon, S, Nam W, Cha IH, Kim HJ. Deep learning-based survival prediction of oral cancer patients. Sci Rep. 2019;9:6994.
Shankarapillai R, Mathur lk, Nair MA, Rai N, Mathur A. Periodontitis Risk Assessment using two artificial Neural Networks-A Pilot Study. Int J Dent Clin. 2010:2(4):36-40
De Tobel J, Radesh P, Vandermeulen D, Thevissen PW. An automated technique to stage lower third molar development on panoramic radiographs for age estimation: a pilot study. J Forensic Odontostomatol. 2017;35(2):42-54.
Jung SK, Kim TW. New approach for the diagnosis of extractions with neural network machine learning. Am J Orthod Dentofacial Orthop. 2016;149(1):127-33.
Jha S, Topol EJ. Information and Artificial Intelligence. Journal of the American College of Radiology.2018;15(3):509-11.
Majumdar B, Sarode SC, Sarode GS, Patil S. Technology: Artificial intelligence. J Brit Dent. 2018;224(12):916.
Marques JR. Inteligência Artificial: vantagens e desvantagens quanto ao seu uso. Portal IBC2017. [Citado 2019 Fev 4]. Disponível em : https://www.ibccoaching.com.br/portal/artigos/inteligencia-artificial-vantagens-desvantagens-quanto-seu-uso/
Khanna SS, Dhaimade P.A. Artificial Intelligence: Transforming Dentistry Today. J Ind Basic Ap Med Research. 2017;6(3):161-64.
