A inteligência artificial é confiável para o diagnóstico de lesões intraósseas dos ossos gnáticos?
Resposta curta: A revisão sistemática não encontrou evidência conclusiva que sustente o uso rotineiro de modelos de aprendizado de máquina na detecção, segmentação e classificação de lesões intraósseas dos ossos gnáticos. A heterogeneidade de métricas, a falta de detalhamento da amostragem dos dados e a ausência de testes externos limitam a avaliação do desempenho real desses modelos.
Resposta
A revisão sistemática reuniu a literatura disponível sobre o uso de modelos de aprendizado de máquina no diagnóstico de lesões intraósseas dos ossos gnáticos, buscando responder se a inteligência artificial é confiável nesse contexto. O trabalho foi conduzido conforme as diretrizes PRISMA 2022 e registrado no banco PROSPERO, com pergunta estruturada pelo acrônimo PICOS.
Foram incluídos vinte e seis estudos, totalizando 21 146 imagens radiográficas. As lesões mais frequentemente investigadas foram ameloblastomas, ceratocistos odontogênicos, cistos dentígeros e cistos periapicais. Segundo a classificação TRIPOD, a maioria dos estudos foi classificada como tipo 2, com divisão aleatória dos dados.
O escore F1 foi apresentado em apenas 13 estudos, que forneceram métricas para 20 ensaios, com média de 0,71 (±0,25). A avaliação do risco de viés foi feita com a ferramenta PROBAST, e os resultados foram sintetizados considerando a tarefa e a estratégia de amostragem do conjunto de dados.
A conclusão é que não há evidência conclusiva para apoiar a utilidade dos modelos baseados em aprendizado de máquina na detecção, segmentação e classificação de lesões intraósseas dos ossos gnáticos na aplicação clínica rotineira. A falta de detalhamento sobre a amostragem dos dados, a ausência de um conjunto abrangente de métricas para treinamento e validação e a inexistência de testes externos limitam os experimentos e dificultam a avaliação adequada do desempenho dos modelos.
Para o médico, o achado principal é de cautela: os modelos descritos na literatura ainda não reúnem evidências suficientes para incorporação à rotina diagnóstica. A interpretação desses resultados deve considerar que o resumo não detalha características individuais dos estudos incluídos, como distribuição por tipo de lesão ou modalidade de imagem.
O que o estudo mostrou
Trata-se de uma revisão sistemática com busca em diversas bases eletrônicas, incluindo PubMed, Embase, Scopus, Cochrane Library, Web of Science, Lilacs, IEEE Xplore e literatura cinzenta. Foram incluídos vinte e seis estudos, com 21 146 imagens radiográficas. As lesões mais investigadas foram ameloblastomas, ceratocistos odontogênicos, cistos dentígeros e cistos periapicais. A maioria dos estudos foi classificada como tipo 2 segundo TRIPOD. O escore F1 foi apresentado em 13 estudos, com métricas para 20 ensaios e média de 0,71 (±0,25).
Limitações
O resumo não informa detalhes sobre a amostra de cada estudo incluído nem sobre a população clínica avaliada. A própria revisão aponta limitações da literatura: falta de detalhamento sobre a amostragem dos dados, ausência de um conjunto abrangente de métricas para treinamento e validação e inexistência de testes externos, o que limita os experimentos e dificulta a avaliação adequada do desempenho dos modelos.
Aplicação no consultório
Na prática clínica, os achados não justificam incorporar modelos de aprendizado de máquina como ferramenta diagnóstica de rotina para lesões intraósseas dos ossos gnáticos. O médico deve manter o diagnóstico baseado em avaliação clínica e imaginológica convencional, acompanhando a evolução da literatura. Na gestão do consultório, isso significa evitar investimentos precipitados em softwares de apoio diagnóstico sem validação externa e priorizar a capacitação da equipe na interpretação de imagens.
Estudo citado
Artificial intelligence and radiomics in the diagnosis of intraosseous lesions of the gnathic bones: A systematic review. Journal of oral pathology & medicine : official publication of the International Association of Oral Pathologists and the American Academy of Oral Pathology, 2024.
Autores: Giraldo-Roldán D, Araújo ALD, Moraes MC, da Silva VM, Ribeiro ECC, Cerqueira M, Saldivia-Siracusa C, Sousa-Neto SS, Pérez-de-Oliveira ME, Lopes MA, Kowalski LP, de Carvalho ACPLF, Santos-Silva AR, Vargas PA.
DOI: 10.1111/jop.13548 · PubMed: PMID 38807455
Perguntas para aprofundar
- Quais métricas de desempenho devem ser exigidas de um modelo de aprendizado de máquina antes de usá-lo no diagnóstico de lesões ósseas gnáticas?
- Por que a ausência de testes externos compromete a confiança em modelos de inteligência artificial aplicados à imaginação odontológica?
- Como o risco de viés avaliado pelo PROBAST influencia a interpretação dos estudos sobre aprendizado de máquina em lesões intraósseas?
Mais sobre IA em oncologia
- A inteligência artificial aplicada à ressonância magnética já é confiável para diferenciar tumores sinonasais?
- A radiômica baseada em inteligência artificial pode auxiliar na gestão do câncer de cabeça e pescoço?
- Como a inteligência artificial tem sido aplicada no diagnóstico e na predição da síndrome dos ovários policísticos?
- Como a inteligência artificial e os gêmeos digitais estão sendo aplicados no cuidado do câncer de próstata?
- A inteligência artificial é eficaz na detecção e classificação da leucemia em imagens de esfregaço de sangue periférico?
Todas as perguntas sobre IA em oncologia · Todos os temas · Versão em markdown