Un dentista que inserta un implante dental debe conocer la ubicación exacta del canal nervioso en la mandíbula inferior del paciente para planificar el tamaño y la posición del implante, junto con el procedimiento general. Esto requiere imágenes de rayos X en las que el dentista o radiólogo especifique manualmente la ubicación del canal punto por punto. Estudiar y analizar estas imágenes puede ser arduo y llevar mucho tiempo.
El fabricante de equipos dentales Planmeca, el Centro Finlandés de Inteligencia Artificial (FCAI) y el Hospital Universitario de Tampere (Tays) se han unido para abordar el problema. El resultado es un modelo basado en IA que localiza el canal del nervio de la mandíbula inferior en rayos X 3D más rápido que un humano y con mejor precisión que otros métodos automatizados.
“La colaboración surgió de las necesidades de los expertos que practican el trabajo clínico y de la búsqueda de formas de ayudarlos en su trabajo diario. Se puede ahorrar mucho tiempo utilizando inteligencia artificial en la planificación del tratamiento del paciente”, dice Vesa Varjonen, vicepresidente de Investigación y Tecnología de Planmeca.
El método se basa en el entrenamiento de redes neuronales profundas con una gran cantidad de datos clínicos, compuestos por imágenes tridimensionales generadas con tomografía computarizada de haz cónico (CBCT).
“El Hospital Universitario de Tampere nos proporcionó materiales clínicos extensos y versátiles producidos con varios dispositivos de imágenes en 3D. Los datos se dividieron al azar y una parte se usó para entrenar las redes neuronales y otra parte se aisló para probar y validar el método diseñado”, dice el investigador de doctorado de la Universidad Aalto Jaakko Sahlsten.
La inteligencia artificial es una herramienta eficiente y fiable
Los nervios que controlan las funciones motoras de la mandíbula y los sentidos faciales corren en el canal nervioso de la mandíbula inferior, el canal mandibular. Además de la colocación del implante, su ubicación es crucial en la extracción de las muelas del juicio y la cirugía de la mandíbula. La ubicación y la ruta del canal que corre dentro de la mandíbula es única para cada persona.
“Uno de los desafíos en el entrenamiento del modelo de IA fue que el tamaño del canal mandibular en una radiografía 3D del cráneo es muy pequeño en comparación con los datos de la imagen general. Como conjunto de datos, este tipo de material de entrenamiento es muy desequilibrado”, señala Sahlsten.
Trabajar junto con los radiólogos de Tays fue clave para aprovechar los datos y usarlos al entrenar la inteligencia artificial.
“Cuando se alimenta una gran cantidad de datos a la red neuronal y se marca en ella la ubicación del canal mandibular, aprende a optimizar sus propios parámetros internos. La red neuronal resultante de este aprendizaje encuentra rápidamente el canal mandibular a partir del la entrada de datos individuales en 3D”, dice Varjonen.
Probar el modelo de red neuronal con datos de pacientes aislados de los materiales de investigación demostró que el modelo logró ubicar los canales mandibulares con alta precisión: solo entre el 1% y el 4% de los casos pueden ser inexactos.
“En las evaluaciones clínicas, los expertos revisaron los resultados producidos por el modelo y descubrieron que en el 96% de los casos eran plenamente utilizables en términos clínicos. Tenemos mucha confianza en que el modelo funciona bien”, dice Sahlsten.
En comparación con los humanos, una de las ventajas de la inteligencia artificial es que siempre funciona con la misma eficiencia y velocidad. El modelo de IA acelera el descubrimiento del canal mandibular y apoya la toma de decisiones de radiólogos y médicos. Las decisiones finales sobre el tratamiento siempre las toma un profesional de la salud.
Las publicaciones verifican la funcionalidad del modelo
Planmeca es una empresa familiar finlandesa y uno de los principales fabricantes de equipos de tecnología sanitaria del mundo. Sus productos se exportan a más de 120 países de todo el mundo. El negocio de la compañía se basa en dispositivos de imágenes 3D para el cuidado dental y el software que los respalda. Para Planmeca, la colaboración con FCAI y Tays significa un importante potencial comercial nuevo.
“La digitalidad y la IA utilizadas en los equipos de imágenes son importantes para nosotros. Integraremos el modelo de red neuronal desarrollado en esta investigación en nuestro software de imágenes. Esto mejorará la usabilidad y el rendimiento de nuestro equipo”, dice Varjonen.
Las publicaciones científicas producidas en la colaboración son importantes para todos los socios del proyecto. Algunos de los resultados fueron publicados en Scientific Reports.
“Las publicaciones revisadas por pares son una evidencia sólida de la funcionalidad del modelo. El aprendizaje profundo no se ha utilizado anteriormente en tareas de este tipo, lo que agrega valor a las publicaciones. También promueven el trabajo de tesis de los doctorandos”, dice Sahlsten.
“Las publicaciones serán importantes para nosotros cuando solicitemos la aprobación de un dispositivo médico para nuestro software. Demuestran que el software ha sido diseñado de acuerdo con los procesos de desarrollo de software y analizado a través de todas las fases requeridas”, señala Varjonen.
Además de ubicar el canal del nervio de la mandíbula inferior, el proyecto de colaboración entre Planmeca, FCAI y Tays también abarcó el desarrollo de un modelo de red neuronal para cirugía ortognática, en el que las anomalías en el área inferior de la cara se corrigen mediante medidas quirúrgicas.
“El modelo ayuda a identificar puntos de referencia en el área del cráneo para corregir la maloclusión y planificar la cirugía de alineación de la mandíbula. Los mismos datos del paciente también se usaron para otra aplicación de IA”, dice Varjonen.
En el futuro, la inteligencia artificial tendrá mucho que ofrecer en aplicaciones de salud.
“Veo la inteligencia artificial como una herramienta muy poderosa que los médicos y otros expertos pueden usar al hacer sus primeras evaluaciones o para obtener opiniones alternativas. El desafío con los modelos de aprendizaje profundo es que no podemos dar una base definitiva de por qué el modelo alcanza un resultado específico. Se necesita más investigación para aumentar la explicabilidad y la transparencia de los modelos”, concluye Sahlsten.
Fuente: Medical Xpress.
