Analyse de la plaque dentaire microbienne dans les jeunes dents permanentes grâce au Deep Learning

La plaque dentaire est définie comme une communauté microbienne intégrée dans une matrice composée de polymères dérivés de bactéries et du contenu de la salive qui se développe à la surface des dents. La plaque dentaire microbienne est adsorbée sur la surface de la dent quelques secondes après le nettoyage dentaire et persiste fonctionnellement. Ces molécules existent principalement dans le liquide du sillon sous-gingival, avec la salive, et démontrent une colonisation dans cette zone. Le principal facteur étiologique de la gingivite et de la parodontite est la plaque bactérienne, qui peut entraîner la destruction des tissus gingivaux et de l'attache parodontale. Chez les enfants, si l’hygiène buccale n’est pas établie immédiatement après l’éruption dentaire et si des habitudes de brossage régulières ne sont pas inculquées, la couche de biofilm bactérien peut se déposer sur les surfaces dentaires et les marges gingivales associées à l’environnement buccal, déclenchant une inflammation gingivale.

La détection et le traitement précoces des maladies parodontales dès les premiers stades chez les enfants sont cliniquement importants, car ces affections peuvent s'intensifier et entraîner des conséquences indésirables ultérieurement. La plaque bactérienne est le principal facteur étiologique des maladies gingivales chez les enfants. L’identification et la distinction de la plaque dentaire microbienne par les patients peuvent s’avérer difficiles. Les plaques peuvent être détectées par la pratique clinique de routine à l'aide de sondes parodontales et/ou de solutions révélatrices de plaque. Bien que ces méthodes soient largement utilisées, elles peuvent donner des résultats subjectifs. Cependant, ces méthodes d’évaluation peuvent s’avérer lourdes, longues et infructueuses chez les enfants non coopératifs. De plus, les solutions révélatrices de plaque dentaire utilisées pour la détection de la plaque dentaire microbienne peuvent tacher temporairement la muqueuse buccale et les lèvres. La littérature comprend également des analyses d’imagerie numérique telles que la spectroscopie d’autofluorescence induite par laser et l’espace colorimétrique HIS pour la détection de la plaque dentaire microbienne. Cependant, les inconvénients, tels que le coût élevé des équipements et la standardisation technique, limitent leur utilisation .

Pour ces raisons, cette étude vise à développer un modèle d'intelligence artificielle (IA) abordable et facilement accessible pour le diagnostic précoce et précis de la plaque dentaire microbienne chez les enfants. L’objectif est de prévenir divers problèmes parodontaux et de motiver l’hygiène bucco-dentaire en évaluant les performances de diagnostic et de détection de ce modèle d’IA.

Avec les progrès de l’intelligence artificielle pour le traitement des images, la recherche sur la détection, la segmentation et la quantification de la plaque dentaire dans les images capturées par les caméras dentaires a considérablement augmenté. Une étude a tenté de détecter la plaque dentaire à l’aide d’un algorithme d’apprentissage automatique amélioré K-Means. De plus, une plate-forme Internet des objets (IoT) de santé dentaire basée sur Mask R-CNN a été développée pour classer sept maladies bucco-dentaires différentes, y compris la plaque dentaire, avec un taux de précision parfait pour la reconnaissance de la plaque, mais pas pour la segmentation.

Bien que le modèle U-Net soit largement considéré comme efficace et courant dans le domaine du traitement d’images biomédicales, il n’existe aucune étude dans la littérature sur l’analyse de la plaque dentaire avec U-Net et ses variantes. De plus, aucune étude n’a été réalisée concernant l’analyse de la plaque dentaire sur les jeunes dents permanentes des enfants. Par conséquent, cette étude vise à former six modèles d’intelligence artificielle de pointe, intégrant des variantes du modèle U-Net, dans le but de prédire la plaque dentaire chez les jeunes dents permanentes des enfants. Par la suite, leurs performances sont méticuleusement résumées et présentées pour une analyse complète. Enfin, pour valider la faisabilité clinique du modèle le plus performant, des tests d'hypothèses statistiques sont effectués qui comparent les prédictions du modèle d'IA avec les évaluations de trois dentistes.