Précision de l'intelligence artificielle dans l'évaluation de la relation entre la troisième molaire mandibulaire et le canal mandibulaire sur CBCT

L'extraction de la troisième molaire mandibulaire, considérée comme l'une des chirurgies les plus courantes dans le domaine buccal et maxillo-facial, peut être associée à plusieurs complications postopératoires, telles que douleur, saignement, gonflement et lésion du nerf alvéolaire inférieur (IAN) ou dommage complet, altérant la qualité de vie des patients concernés. L'incidence des lésions temporaires de l'IAN causées par l'extraction de la troisième molaire mandibulaire était de 0,4 à 8,4 %, tandis que l'incidence des blessures permanentes est inférieure à 1% [1, 2]. Cependant, en raison de la fréquence élevée de la troisième molaire mandibulaire incluse, un grand nombre de patients souffrent de lésions IAN causées par l'extraction de la troisième molaire mandibulaire incluse [3]. Le facteur de risque le plus important de lésion IAN causée par l'extraction de la troisième molaire mandibulaire est la proximité de la racine de la troisième molaire mandibulaire avec le canal mandibulaire [1, 2, 4, 5]. Ainsi, une analyse préopératoire complète et une évaluation des structures anatomiques sont essentielles avant l'extraction de la troisième molaire mandibulaire impactée pour réduire le risque de blessure IAN.

La radiographie panoramique n'est pas très précise dans l'affichage de la relation entre l'extraction de la troisième molaire mandibulaire impactée et l'IAN en raison de la superposition et des limitations inhérentes. La précision de la prédiction de la probabilité de blessure (IAN) lors de l'extraction de la troisième molaire inférieure incluse à l'aide de radiographies panoramiques était controversée [6].

La tomodensitométrie à faisceau conique (CBCT), une modalité d'imagerie (3D), fournit des informations 3D précises avec une dose de rayonnement réduite par rapport à la tomodensitométrie médicale [7]. Il a été démontré que le CBCT était une méthode radiographique meilleure et plus précise que la radiographie panoramique pour évaluer la relation entre la troisième molaire mandibulaire et (IAN) [6, 8]. Ainsi, le CBCT a été considéré comme la modalité de choix pour l'évaluation préopératoire de l'extraction compliquée de la troisième molaire mandibulaire [9].

L'apprentissage en profondeur, l'un des sous-ensembles de l'intelligence artificielle, a connu une progression rapide et joue un rôle important dans les domaines médicaux. L'un des modèles d'apprentissage en profondeur, l'apprentissage guidé du réseau de neurones convolutifs (CNN) a été récemment étudié, et il a été prouvé qu'il dépasse le niveau de jugement humain dans de nombreux domaines de l'imagerie médicale [12, 13]. Après l'introduction de CNN dans le champ maxillo-facial, il a été utilisé pour l'évaluation, la détection, la catégorisation et la segmentation des structures anatomiques environnantes [14-18 Récemment, un apprentissage en profondeur basé sur des modèles CNN a été utilisé pour la troisième molaire mandibulaire et mandibulaire impactée. la détection et la segmentation du canal sur les radiographies panoramiques et CBCT [15, 18, 30], la classification et la stadification du développement [31, 32] et les mesures d'approximation de la troisième molaire mandibulaire incluse sur les radiographies panoramiques [33]. Fukuda et al. ont comparé 3 CNN pour la classification de la relation de la troisième molaire mandibulaire et du canal mandibulaire avec des radiographies panoramiques [34]. Yoo et al. ont proposé une approche basée sur le CNN pour évaluer l'impasse de l'extraction de la troisième molaire inférieure incluse à l'aide de radiographies panoramiques [35]. Ainsi, comme mentionné précédemment, la radiographie panoramique ne peut pas décrire avec précision les structures anatomiques en raison de la superposition qui se produit dans les modalités d'imagerie (2D). Orhan et al. ont rapporté une application AI (Diagnocat, Inc.) basée sur CNN avec une grande précision dans la détection du M3 et l'évaluation du nombre de racines liées aux structures anatomiques adjacentes