La plataforma profesional
sobre las enfermedades
periodontales y periimplantarias

Una iniciativa de
Perio·Aid
Inicio > Estudios comentados > Deep Learning Hybrid Method to Automatically Diagnose Periodontal Bone Loss and Stage Periodontitis

Deep Learning Hybrid Method to Automatically Diagnose Periodontal Bone Loss and Stage Periodontitis

Deep Learning Hybrid Method to Automatically Diagnose Periodontal Bone Loss and Stage Periodontitis

En 2017, la Academia Americana de Periodoncia (AAP) y la Federación Europea de Periodoncia (EFP) elaboraron un nuevo sistema de clasificación de las enfermedades periodontales basado en dos dimensiones: estadios y grados. Los estadios se asocian a la gravedad y extensión de la enfermedad y, los grados, a la tasa de progresión de esta.

En la práctica clínica, la salud periodontal se puede evaluar midiendo la pérdida de inserción clínica mediante profundidad del sondaje y la recesión gingival, pero este método presenta algunas limitaciones. Cuando la pérdida de inserción clínica no está disponible, el parámetro que se suele utilizar para valorar la salud periodontal es la pérdida ósea radiográfica (RBL, del inglés radiographic bone loss), que se puede determinar mediante una imagen obtenida por ortopantomografía. Sin embargo, la medición manual de la RBL a partir de esta imagen es laboriosa y requiere mucho tiempo. Por este motivo, los autores del estudio señalaban la necesidad de diseñar un método automatizado que permitiera evaluar la RBL e identificar el estadio de la periodontitis a partir de una ortopantomografía.

Por otra parte, el diagnóstico asistido por ordenador (DAO) se ha utilizado para identificar lesiones de periodontitis, sinusitis maxilar, osteoporosis y otras patologías del ámbito oral y maxilofacial. Recientemente, los DAO basados en deep learning (aprendizaje profundo), se han utilizado para resolver problemas complejos en radiología. Asimismo, en el ámbito de las técnicas de imagen a nivel oral y maxilofacial, se han empleado para identificar puntos relevantes en cefalogramas, detectar y clasificar las piezas dentales, diagnosticar caries o detectar sinusitis maxilar.

Según los autores, en ese momento, solamente unos pocos estudios habían investigado el uso del deep learning en el diagnóstico de la periodontitis y ninguno había utilizado este método para determinar de forma automática la RBL. De este modo, el objetivo de su trabajo fue desarrollar un método híbrido basado en el deep learning y el DAO convencional con el fin de evaluar la RBL en ortopantomografías y clasificar la periodontitis en el estadio correspondiente de forma automática.

Para ello, prepararon un total de 340 imágenes —obtenidas durante el año 2018 mediante ortopantomografía— para detectar el nivel del hueso periodontal, el nivel de la unión amelocementaria y los dientes o implantes. Posteriormente, fueron separadas de forma aleatoria en un grupo de entrenamiento, formado por el 90% de las imágenes, y en un grupo de prueba, con el 10% restante. Las imágenes del grupo de entrenamiento se utilizaron para entrenar el modelo, mientras que las del grupo de prueba se usaron para evaluar el modelo entrenado.

El porcentaje de RBL se definió a partir de los parámetros de nivel de hueso periodontal y nivel de unión amelocementaria. Asimismo, los distintos porcentajes de RBL se asociaron a los diferentes estadios de la periodontitis según la clasificación de 2017. Finalmente, se evaluó la clasificación de la periodontitis del método híbrido comparando los resultados obtenidos con la clasificación realizada por 3 especialistas en Radiología Oral y Maxilofacial.

Los resultados de los parámetros utilizados para evaluar la precisión en la detección de los dientes/implantes, el nivel de hueso periodontal y el nivel de la unión amelocementaria mostraron que la precisión del sistema era buena. Por otra parte, la clasificación de la periodontitis en los distintos estadios no varió de forma estadísticamente significativa entre el método automático y el tradicional, realizado por los radiólogos. Asimismo, la correlación obtenida entre los diagnósticos automáticos y los de los radiólogos fue buena.

En resumen, el método híbrido desarrollado a partir de deep learning y DAO convencional mostró una alta precisión y fiabilidad para diagnosticar de forma automática la RBL, por lo que los autores sugieren que podría ayudar a los profesionales de la salud dental en el diagnóstico, la monitorización y el tratamiento de la periodontitis.

Chang H-J, Lee S-J, Yong T-H, Shin N-Y, Jang B-G, Kim J-E, Huh K-H, Lee S-S, Heo M-S, Choi S-C, Kim T-I, Yi W-J. Sci Rep. 2020;10:7531.

diagnóstico asistido por ordenador diagnóstico periodontitis ortopantomografía pérdida ósea radiográfica salud periodontal

Más información profesional:
DENTAID Expertise
DENTAID Profesional

Una iniciativa de
Perio·Aid

Cerrar
Banner
Cerrar
Banner
Cerrar

Politica de Cookies

La configuración de Cookies se ha guardado/actualizado correctamente con las preferencias indicadas.

Cerrar

¿QUIERES SUSCRIBIRTE?  
Todas las novedades en Periodoncia
mensualmente en tu email.
  • *
  • *
  • *
  • *
  • Elige tu/s especialidad/es:

(*) Campos obligatorios