http://repositorio2.unb.br/jspui/handle/10482/50073
File | Description | Size | Format | |
---|---|---|---|---|
2023_LorenaSilvaVieira_DISSERT.pdf | 3,67 MB | Adobe PDF | View/Open |
Title: | Acurácia de ferramentas de aprendizado de máquinas profundo no rastreamento da osteoporose em exames de imagem odontológicos : uma revisão sistemática |
Authors: | Vieira, Lorena Silva |
Orientador(es):: | Figueiredo, Paulo Tadeu de Souza |
Coorientador(es):: | Melo, Nilce Santos de |
Assunto:: | Inteligência artificial Osteoporose Radiografia dentária Radiografia panorâmica |
Issue Date: | 21-Aug-2024 |
Data de defesa:: | 30-Aug-2023 |
Citation: | VIEIRA, Lorena Silva. Acurácia de ferramentas de aprendizado de máquinas profundo no rastreamento da osteoporose em exames de imagem odontológicos: uma revisão sistemática. 2023. 94 f., il. Dissertação (Mestrado em Odontologia) — Universidade de Brasília, Brasília, 2023. |
Abstract: | Introdução: A osteoporose é uma doença metabólica de alta prevalência e de grande impacto na saúde pública. Caracteriza-se pela deterioração progressiva e silenciosa da microarquitetura óssea, devido a redução da densidade mineral óssea. O diagnóstico de osteoporose é geralmente realizado por Absorciometria de Raios X de Dupla Energia (DXA), porém, por se tratar de um exame de custo elevado, é ainda pouco acessível à grande parte da população. Os exames radiográficos odontológicos, comumente utilizados para o diagnóstico de problemas dentários e para o plano de tratamento de maneira relativamente conveniente e barata, incluem informações ricas sobre a estrutura óssea trabecular que podem ser utilizadas para investigar a presença de osteoporose. Dessa forma, métodos auxiliares baseados em inteligência artificial (IA) têm sido propostos para auxiliar os cirurgiões-dentistas no rastreamento de osteoporose utilizando exames de imagem odontológicos, como radiografias e tomografia computadorizada. Objetivos: realizar uma revisão sistemática para avaliar a acurácia de ferramentas de aprendizado profundo (deep learning) no rastreamento de osteoporose por meio de exames de imagem odontológicos. Metodologia: Foi realizada uma busca nas bases PUBMED/Medline, Embase, LILACS, Web of Science, Scopus, Computers and Applied Sciences Complete (EBSCO), ACM Digital Library e Compendex. A literatura cinzenta foi também investigada por meio do Google Scholar e Proquest. A pergunta focada foi definida com base no acrônimo PIRD (P - população, I - Teste índice, R - padrão de referência, D – diagnóstico). Foram elegíveis os estudos realizados com pacientes adultos e com diagnóstico de osteoporose que aplicaram algoritmos de aprendizado profundo na análise de radiografias dentárias ou tomografias computadorizadas, usando como padrão de referência a DXA ou a anotação de examinadores experientes . Os artigos que atenderam aos critérios de seleção foram analisados criticamente com base nas diretrizes do QUADAS-2, checklist específico para IA também foi utilizado, e a certeza da evidência foi avaliada usando a abordagem GRADE. Resultados: Foram encontrados no total 799 estudos, restando 62 para a leitura completa, dos quais 10 estudos foram selecionados. Na maioria dos estudos, foi utilizado DXA como padrão de referência, o exame de imagem odontológico mais usado foi a radiografia panorâmica (n=9) e a métrica de desempenho mais frequente foi a acurácia (n=10) seguida de sensibilidade/especificidade (n=6) e área sob a curva ROC (n=4). Os tamanhos dos conjuntos de dados em cada estudo variaram de 70 a 1600 imagens. Os maiores valores de acurácia (98,5%) foram obtidos em dois estudos utilizando DCNN de várias colunas (MC-DCNN), Alexnet e GoogleNet. O menor valor de acurácia (66,7%) foi observado em um estudo com uso de CNN3. Embora os algoritmos de aprendizado profundo possam ser usados como arquiteturas individualizadas, modelos de redes neurais convolucionais pré-treinadas, como VGG16, GoogleNet, ResNet e AlexNet foram usadas na maioria dos estudos, sendo que em dois estudos foram adicionadas covariáveis clínicas, como idade, às camadas do modelo. Conclusão: O uso de algoritmos de aprendizado profundo em serviços odontológicos apresenta-se como potencial ferramenta auxiliar no processo de tomada de decisão dos cirurgiões-dentistas, permitindo avaliação de imagens e rastreamento de osteoporose, além de poupar tempo e outros recursos. No entanto, a utilização desses métodos carece ser confirmada por mais estudos, principalmente prospectivos e com delineamentos mais completos e padronizados. |
Abstract: | Introduction: Osteoporosis is a highly prevalent metabolic disease with a great impact on public health. It is characterized by the progressive and silent deterioration of the bone microarchitecture, due to the reduction of bone mineral density. The diagnosis of osteoporosis is usually performed by Dual-Energy X-ray Absorptiometry (DXA), however, as it is a costly test, it is still inaccessible to a large part of the population. Dental radiographic examinations, commonly used for diagnosing dental problems and planning treatment relatively conveniently and inexpensively, include rich information about trabecular bone structure that can be used to investigate the presence of osteoporosis. Thus, auxiliary methods based on artificial intelligence (AI) have been proposed to help dentists in the screening of osteoporosis using dental imaging tests, such as radiographs and computed tomography. Objectives: to carry out a systematic review to assess the accuracy of deep learning tools in tracking osteoporosis using dental imaging. Methodology: A search was carried out in PUBMED/Medline, Embase, LILACS, Web of Science, Scopus, Computers and Applied Sciences Complete (EBSCO), ACM Digital Library and Compendex. Gray literature was also investigated using Google Scholar and Proquest. The focused question was defined based on the acronym PIRD (P - population, I - Index test, R - reference standard, D - diagnosis). Studies carried out with adult patients diagnosed with osteoporosis that applied deep learning algorithms in the analysis of dental radiographs or computed tomography, using DXA as a reference standard or the annotation of experienced examiners. Articles that met the selection criteria were reviewed based on the QUADAS-2 guidelines, a specific AI checklist was also used, and the certainty of the evidence was assessed using the GRADE approach. Results: A total of 799 studies were found, leaving 62 for full reading, of which 10 studies were selected. In most studies, DXA was used as the reference standard, the most commonly used dental imaging test was panoramic radiography (n=9) and the most frequent performance metric was accuracy (n=10) followed by sensitivity/specificity ( n=6) and area under the ROC curve (n=4). Dataset sizes in each study ranged from 70 to 1600 images. The highest accuracy values (98.5%) were obtained in two studies using multi-column DCNN (MC-DCNN), Alexnet and GoogleNet. The lowest accuracy value (66.7%) was observed in a study using CNN3. Although deep learning algorithms can be used as individualized architectures, models of pre-trained convolutional neural networks such as VGG16, GoogleNet, ResNet and AlexNet were used in most studies, and in two studies clinical covariates were added, such as age, to the model layers. Conclusion: The use of deep learning algorithms in dental services presents itself as a potential auxiliary tool in the decision-making process of dentists, allowing evaluation of images and tracking of osteoporosis, in addition to saving time and other resources. However, the use of these methods needs to be confirmed by further studies, mainly prospective and with more complete and standardized designs. |
metadata.dc.description.unidade: | Faculdade de Ciências da Saúde (FS) |
Description: | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Ciências da Saúde, Departamento de Odontologia, Programa de Pós-Graduação em em Odontologia, 2023. |
metadata.dc.description.ppg: | Programa de Pós-Graduação em Odontologia |
Licença:: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. |
Appears in Collections: | Teses, dissertações e produtos pós-doutorado |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.