Precisión de la inteligencia artificial en la evaluación de la relación entre el tercer molar mandibular y el canal mandibular en CBCT

La extracción del tercer molar mandibular, considerada una de las cirugías más comunes en el campo oral y maxilofacial, puede estar asociada con varias complicaciones postoperatorias, como dolor, sangrado, hinchazón y lesión del nervio alveolar inferior (NAI) o daño completo, lo que perjudica la calidad. de vida de los pacientes afectados. La incidencia de lesión temporal del NIA causada por la extracción del tercer molar mandibular fue del 0,4-8,4%, mientras que la incidencia de lesiones permanentes es inferior al 1% [1, 2]. Sin embargo, debido a la alta incidencia de terceros molares mandibulares impactados, un gran número de pacientes sufren lesiones en el NIA causadas por la extracción del tercer molar mandibular impactado [3]. El factor de riesgo más importante de lesión de NIA causada por la extracción del tercer molar mandibular es la proximidad de la raíz del tercer molar mandibular al canal mandibular [1, 2, 4, 5]. Por lo tanto, el análisis preoperatorio integral y la evaluación de las estructuras anatómicas son esenciales antes de la extracción del tercer molar mandibular impactado para disminuir el riesgo de lesión de NIA.

La radiografía panorámica no es muy precisa para mostrar la relación entre la extracción del tercer molar mandibular impactado y la NIA debido a la superposición y las limitaciones inherentes. La precisión de predecir la probabilidad de lesión (IAN) durante la extracción del tercer molar mandibular impactado utilizando radiografías panorámicas fue controvertida [6].

La tomografía computarizada de haz cónico (CBCT), una modalidad de imagen (3D), proporciona información 3D precisa con una dosis de radiación menor que la TC médica [7]. Se demostró que CBCT era un método radiográfico mejor y más preciso que la radiografía panorámica para evaluar la relación entre el tercer molar mandibular y (IAN) [6, 8]. Por lo tanto, la CBCT se ha considerado como la modalidad de elección para la evaluación preoperatoria de la extracción complicada del tercer molar mandibular [9].

El aprendizaje profundo, uno de los subconjuntos de inteligencia artificial, tuvo una rápida progresión y tiene un papel importante en los campos médicos. Recientemente se investigó uno de los modelos de aprendizaje profundo, el aprendizaje guiado de la red neuronal convolucional (CNN), que ha demostrado superar el nivel de juicio humano en muchos campos de imágenes médicas [12, 13]. Después de que CNN se introdujera en el campo maxilofacial, se utilizó para la evaluación, detección, categorización y segmentación de las estructuras anatómicas circundantes [14-18 Recientemente, el aprendizaje profundo basado en modelos CNN se ha utilizado para el tercer molar mandibular y el tercer molar mandibular impactados. detección y segmentación del canal en radiografías panorámicas y CBCT [15, 18, 30], la clasificación y estadificación del desarrollo [31, 32] y las medidas de aproximación del tercer molar mandibular impactado en radiografías panorámicas [33]. Fukuda et al. comparó 3 CNN para la clasificación del tercer molar mandibular impactado y la relación del canal mandibular con radiografías panorámicas [34]. Yoo et al. propuso un enfoque basado en CNN para evaluar el estancamiento de la extracción del tercer molar mandibular impactado utilizando radiografías panorámicas [35]. Entonces, como se mencionó anteriormente, la radiografía panorámica no puede describir con precisión las estructuras anatómicas debido a la superposición que ocurre en las modalidades de imágenes (2D). Orhan et al. informó una aplicación de IA (Diagnocat, Inc.) basada en CNN con alta precisión en la detección de M3 y evaluación del número de raíces relacionadas con estructuras anatómicas adyacentes