# Modelos de deep learning são confiáveis para detectar cáries em imagens odontológicas?

> Uma revisão sistemática de 42 estudos mostrou que modelos de deep learning detectam cáries com acurácia de 68% a 99,2%, conforme o tipo de imagem. A qualidade metodológica é baixa: apenas 11 estudos tinham baixo risco de viés em todos os domínios. Os modelos podem auxiliar decisões clínicas, mas não substituem o julgamento profissional.

Estudo citado: Mohammad-Rahimi H, Motamedian SR, Rohban MH, Krois J, Uribe SE, Mahmoudinia E et al.. Deep learning for caries detection: A systematic review. Journal of dentistry. 2022. DOI: https://doi.org/10.1016/j.jdent.2022.104115. PubMed: https://pubmed.ncbi.nlm.nih.gov/35367318/

## Resposta

A revisão sistemática avaliou estudos de acurácia diagnóstica que aplicaram deep learning para detecção de cáries em diferentes tipos de imagens odontológicas, incluindo radiografias, fotografias intraorais, tomografia de coerência óptica e transiluminação por luz infravermelha próxima. Foram incluídos 42 estudos publicados após 2010, sem restrição de idioma, identificados em bases como Medline, Google Scholar, Scopus, Embase e no repositório ArXiv.

Os modelos empregados incluíram classificação (26 estudos), detecção de objetos (6) e segmentação (10). A acurácia relatada variou amplamente: 71% a 96% em fotografias intraorais, 82% a 99,2% em radiografias periapicais, 87,6% a 95,4% em radiografias interproximais, 68,0% a 78,0% em imagens de transiluminação por infravermelho próximo, 88,7% a 95,2% em tomografia de coerência óptica e 86,1% a 96,1% em radiografias panorâmicas. Para modelos de detecção e segmentação, a heterogeneidade nos relatos impediu uma análise conjunta útil.

A avaliação de qualidade pelo instrumento QUADAS-2 mostrou que apenas 11 estudos apresentaram baixo risco de viés em todos os domínios, e 13 (31,0%) tiveram baixo risco para preocupações quanto à aplicabilidade. A heterogeneidade metodológica e das métricas de desempenho impossibilitou a realização de meta-análise. Os autores concluem que o número de estudos cresce, com arquiteturas diversas, e a acurácia parece promissora, mas a qualidade dos estudos e dos relatos é atualmente baixa.

Diante disso, os modelos de deep learning podem ser considerados como auxiliares nas decisões sobre a presença ou ausência de lesões cariosas, mas não devem substituir a avaliação clínica. A incorporação na prática exige cautela, pois a baixa qualidade metodológica limita a generalização dos resultados. O resumo não informa dados sobre amostra de pacientes ou de imagens, nem detalhes sobre vieses específicos.

Para o consultório, a principal implicação é que a tecnologia pode apoiar o diagnóstico, mas ainda carece de validação robusta. O médico deve estar atento à qualidade das evidências e evitar adotar sistemas sem avaliação crítica. A gestão do consultório pode considerar o potencial de triagem, mas sem abandonar o exame clínico tradicional.

## O que o estudo mostrou

Revisão sistemática de estudos de acurácia diagnóstica que usaram deep learning para detecção de cáries em imagens odontológicas. Foram incluídos 42 estudos, com modelos de classificação (26), detecção de objetos (6) e segmentação (10). A acurácia variou de 68% a 99,2%, conforme o tipo de imagem. Apenas 11 estudos apresentaram baixo risco de viés em todos os domínios e 13 (31,0%) baixo risco para aplicabilidade. Não foi possível realizar meta-análise devido à heterogeneidade.

## Limitações

O resumo não informa o número total de pacientes ou imagens avaliadas, nem detalhes sobre as limitações individuais dos estudos. A heterogeneidade metodológica e das métricas de desempenho impediu a meta-análise. A baixa qualidade metodológica e de relato dos estudos incluídos limita a confiança nos resultados e a generalização para a prática clínica.

## Aplicação no consultório

Os modelos de deep learning podem auxiliar na identificação de lesões cariosas, mas a baixa qualidade das evidências sugere que não devem ser usados como ferramenta diagnóstica isolada. O médico pode considerar essas tecnologias como apoio à decisão, mantendo o exame clínico e radiográfico convencional. Na gestão do consultório, investir em sistemas com validação robusta e treinamento adequado é prudente, evitando expectativas exageradas.

## Perguntas para aprofundar

- Qual o risco de viés dos estudos sobre deep learning para cáries?
- Como a acurácia varia entre diferentes tipos de imagens odontológicas?
- Modelos de deep learning podem substituir o diagnóstico clínico de cáries?

Tema: IA em oftalmologia e retinopatia. Página: https://alphadoctor.com.br/ciencia/ia-oftalmologia/modelos-de-deep-learning-sao-confiaveis-para-detectar-caries-em-imagens/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.