# Como a automação e o aprendizado profundo (deep learning) podem ser aplicados na análise de imagens da articulação temporomandibular (ATM) em pacientes com disfunção? > A revisão sistemática mostra que modelos de deep learning diagnosticam osteoartrite da ATM com acurácia semelhante à de clínicos a partir de radiografias 2D e 3D, mas têm desempenho inferior na detecção de desordens do disco em ressonância magnética. Variáveis clínicas, parâmetros de imagem e vieses influenciam os resultados. Estudo citado: Farook TH, Dudley J. Automation and deep (machine) learning in temporomandibular joint disorder radiomics: A systematic review. Journal of oral rehabilitation. 2023. DOI: https://doi.org/10.1111/joor.13440. PubMed: https://pubmed.ncbi.nlm.nih.gov/36843391/ ## Resposta A revisão sistemática analisou como variáveis clínicas, parâmetros diagnósticos e o processo de aquisição de imagens influenciam a automação e o aprendizado profundo (deep learning) em desordens da articulação temporomandibular (ATM). Foram incluídos vinte artigos, e a experiência média dos operadores clínicos foi de 13,7 anos. Os achados indicam que modelos de deep learning podem diagnosticar osteoartrite com acurácia comparável à de clínicos, usando radiografias 2D e 3D, mas apresentam desempenho inferior na detecção de desordens do disco em exames de ressonância magnética (MRI). Diversos parâmetros radiográficos e de imagem foram identificados como bem-sucedidos em modelos de deep learning. Em radiografias, volume ósseo, número e separação de trabéculas, e razão superfície/volume ósseo foram utilizados. Em MRI, forma do disco, intensidade de sinal, coleção líquida, estreitamento do espaço articular e alterações artríticas mostraram-se parâmetros bem-sucedidos. A entropia correlacionou-se com esclerose em tomografia computadorizada de feixe cônico (CBCT) e foi o parâmetro radiômico mais estável em MRI, enquanto o contraste foi o menos estável entre termografia e MRI. A revisão também observou que biomarcadores séricos e salivares, assim como questionários clínicos, melhoraram apenas marginalmente os desfechos diagnósticos por deep learning. Uma quantidade substancial de dados foi classificada como inutilizável e descartada devido a procedimentos subótimos de aquisição de imagem e de aumento de dados (data augmentation). Além disso, a identificação inadequada das características dos participantes e a utilização do mesmo conjunto de dados e procedimentos de aquisição em vários estudos contribuíram para riscos sérios de viés. Os autores concluem que os modelos de deep learning diagnosticaram osteoartrite tão acuradamente quanto os clínicos a partir de radiografias 2D e 3D, mas tiveram desempenho ruim na detecção de desordens do disco em MRI. Complexidades nos critérios de classificação clínica, parâmetros diagnósticos não padronizados, erros na aquisição de imagens e vieses cognitivos, contextuais ou implícitos foram variáveis influentes que afetaram análises de alterações inflamatórias articulares e desordens do disco. Para o médico, esses achados sugerem que a implementação de ferramentas de deep learning na prática clínica deve considerar as limitações específicas para cada tipo de imagem e condição. A padronização de protocolos de aquisição e a conscientização sobre vieses são essenciais para melhorar a confiabilidade dos modelos. A revisão não fornece detalhes sobre amostra ou desenho dos estudos individuais, mas destaca a necessidade de mais pesquisas com dados padronizados e maior rigor metodológico. ## O que o estudo mostrou Revisão sistemática que incluiu vinte artigos, seguindo o protocolo PRISMA, com avaliação crítica pela checklist MI-CLAIM e abordagem GRADE para aquisição de imagens. A experiência média dos operadores clínicos foi de 13,7 anos. Modelos de deep learning diagnosticaram osteoartrite com acurácia semelhante à de clínicos usando radiografias 2D e 3D, mas tiveram desempenho inferior na detecção de desordens do disco em MRI. Parâmetros como volume ósseo, trabéculas e forma do disco foram utilizados. Entropia foi o parâmetro radiômico mais estável em MRI. Biomarcadores e questionários melhoraram marginalmente os desfechos. Muitos dados foram descartados por aquisição subótima e data augmentation. Riscos de viés foram identificados. ## Limitações O resumo não informa detalhes sobre a amostra total ou o desenho específico dos estudos incluídos. A revisão aponta riscos sérios de viés devido à identificação inadequada dos participantes e ao uso repetido do mesmo conjunto de dados. Além disso, a heterogeneidade nos critérios de classificação clínica e a falta de padronização dos parâmetros diagnósticos limitam a generalização dos achados. O resumo também não fornece informações sobre a qualidade da evidência para cada desfecho. ## Aplicação no consultório Os achados sugerem que, na prática clínica, ferramentas de deep learning podem auxiliar no diagnóstico de osteoartrite da ATM a partir de radiografias, com desempenho comparável ao de clínicos, mas não são confiáveis para desordens do disco em MRI. O consultório deve investir em protocolos padronizados de aquisição de imagens para melhorar a qualidade dos dados. Além disso, é importante reconhecer as limitações dos modelos e evitar confiar cegamente em resultados automatizados. A gestão do consultório pode considerar a capacitação da equipe para lidar com vieses e garantir a validação externa das ferramentas antes da implementação rotineira. ## Perguntas para aprofundar - Quais parâmetros radiômicos são mais estáveis em exames de imagem da ATM? - Como o deep learning pode auxiliar no diagnóstico diferencial entre osteoartrite e desordens do disco da ATM? - Quais são os principais vieses que afetam estudos de inteligência artificial em imagens da ATM? Tema: IA em diagnóstico por imagem e radiologia. Página: https://alphadoctor.com.br/ciencia/ia-radiologia/como-a-automacao-e-o-aprendizado-profundo-deep-learning-podem-ser-aplicados-na/ Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.