Precisão da Inteligência Artificial na Avaliação da Relação entre o Terceiro Molar Inferior e o Canal Mandibular na CBCT

A exodontia de terceiros molares inferiores, considerada uma das cirurgias mais comuns na área buco-maxilo-facial, pode estar associada a diversas complicações pós-operatórias, como dor, sangramento, edema e lesão ou dano total do nervo alveolar inferior (NAI), prejudicando a qualidade de vida dos pacientes afetados. A incidência de lesão temporária do NAI causada pela extração do terceiro molar inferior foi de 0,4-8,4%, enquanto a incidência de lesões permanentes é inferior a 1% [1, 2]. No entanto, devido à alta ocorrência de terceiros molares inferiores impactados, um grande número de pacientes sofre de lesão do NAI causada pela extração de terceiros molares inferiores impactados [3]. O fator de risco mais significativo de lesão do NAI causado pela extração do terceiro molar inferior é a proximidade da raiz do terceiro molar inferior ao canal mandibular [1, 2, 4, 5]. Portanto, uma análise pré-operatória abrangente e avaliação das estruturas anatômicas são essenciais antes da extração do terceiro molar inferior impactado para diminuir o risco de lesão do NAI.

A radiografia panorâmica não é muito precisa em mostrar a relação entre a extração do terceiro molar inferior impactado e o NAI devido à sobreposição e às limitações inerentes. A precisão de prever a probabilidade de lesão (IAN) durante a extração do terceiro molar inferior impactado usando radiografias panorâmicas foi controversa [6].

A tomografia computadorizada de feixe cônico (CBCT), uma modalidade de imagem (3D), fornece informações 3D precisas com menor dose de radiação do que a TC médica [7]. Foi demonstrado que a CBCT era um método radiográfico melhor e preciso do que a radiografia panorâmica para avaliar a relação entre o terceiro molar inferior e (IAN) [6, 8]. Assim, a CBCT tem sido considerada a modalidade de escolha para avaliação pré-operatória de extrações complicadas de terceiros molares inferiores [9].

O aprendizado profundo, um dos subconjuntos da inteligência artificial, teve uma rápida progressão e tem um papel significativo nas áreas médicas. Um dos modelos de aprendizado profundo, o aprendizado guiado da rede neural convolucional (CNN) foi recentemente investigado, o que provou superar o nível de julgamento humano em muitos campos de imagens médicas [12, 13]. Depois que a CNN foi introduzida no campo maxilofacial, ela foi usada para a avaliação, detecção, categorização e segmentação das estruturas anatômicas circundantes [14-18 detecção e segmentação do canal em radiografias panorâmicas e CBCT [15, 18, 30], a classificação e estadiamento do desenvolvimento [31, 32] e as medidas de aproximação do terceiro molar inferior impactado em radiografias panorâmicas [33]. Fukuda et ai. compararam 3 CNNs para classificação do terceiro molar inferior impactado e relação do canal mandibular com radiografias panorâmicas [34]. Yoo et al. propuseram uma abordagem baseada em CNN para avaliar o impasse da extração do terceiro molar inferior impactado usando radiografias panorâmicas [35]. Assim, como mencionado anteriormente, a radiografia panorâmica não pode descrever com precisão as estruturas anatômicas devido à sobreposição que ocorre nas modalidades de imagem (2D). Orhan et ai. relataram um aplicativo de IA (Diagnocat, Inc.) baseado em CNN com alta precisão na detecção do M3 e avaliação do número de raízes relacionadas a estruturas anatômicas adjacentes