# O aprendizado profundo é preciso para detectar pontos cefalométricos em radiografias?

> Sim, o aprendizado profundo mostra acurácia relativamente alta para detecção de pontos cefalométricos, com erro médio em torno de 2 mm e proporção de 0,799 de pontos detectados dentro desse limite. No entanto, a maioria dos estudos tem alto risco de viés e foca em imagens 2-D, sendo necessárias pesquisas sobre generalização e robustez.

Estudo citado: Schwendicke F, Chaurasia A, Arsiwala L, Lee JH, Elhennawy K, Jost-Brinkmann PG et al.. Deep learning for cephalometric landmark detection: systematic review and meta-analysis. Clinical oral investigations. 2021. DOI: https://doi.org/10.1007/s00784-021-03990-w. PubMed: https://pubmed.ncbi.nlm.nih.gov/34046742/

## Resposta

A revisão sistemática e meta-análise avaliou a acurácia do aprendizado profundo (DL) para detecção automatizada de pontos cefalométricos em radiografias 2-D e 3-D. Foram incluídos 19 estudos publicados entre 2017 e 2020, todos empregando redes neurais convolucionais, principalmente em radiografias laterais 2-D. A maioria utilizou conjuntos de dados públicos e testou a detecção de uma média de 30 pontos cefalométricos.

Os resultados mostraram que o erro de predição dos pontos centrou-se em torno de um limiar de 2 mm, com média de -0,581 mm (IC 95%: -1,264 a 0,102 mm). A proporção de pontos detectados dentro desse limiar de 2 mm foi de 0,799 (IC 95%: 0,770 a 0,824). Esses achados indicam que os modelos de DL apresentam acurácia relativamente alta e consistente para a detecção de pontos cefalométricos.

A qualidade metodológica dos estudos foi avaliada com QUADAS-2, revelando alto risco de viés e preocupações quanto à aplicabilidade, principalmente relacionadas à seleção de dados e à condução do teste de referência. O teste de referência foi estabelecido por diferentes números de especialistas, o que pode introduzir variabilidade. A revisão foi registrada no PROSPERO (nº 227498).

Os autores concluem que o corpo de evidências é consistente, mas carece de demonstração de robustez e generalização dos modelos de DL. A maioria dos estudos focou em imagens 2-D, enquanto dados sobre imagens 3-D são escassos, porém promissores. Estudos futuros devem abordar a generalização, robustez e utilidade clínica do DL para esse objetivo.

## O que o estudo mostrou

Revisão sistemática e meta-análise de 19 estudos (2017-2020) que empregaram aprendizado profundo para detecção de pontos cefalométricos, todos com redes neurais convolucionais, principalmente em radiografias 2-D (n=15). A maioria usou dados públicos (n=12) e testou em média 30 pontos (variação 7-93). O erro de predição centrou-se em torno de 2 mm (média -0,581 mm; IC 95% -1,264 a 0,102 mm) e a proporção de pontos detectados dentro desse limiar foi de 0,799 (IC 95% 0,770-0,824). O risco de viés foi alto na maioria dos estudos.

## Limitações

O resumo informa que a maioria dos estudos apresentou alto risco de viés e preocupações de aplicabilidade, especialmente quanto à seleção de dados e ao teste de referência. Não são detalhadas limitações específicas da meta-análise, como heterogeneidade ou viés de publicação. Além disso, a maioria dos estudos focou em imagens 2-D, com dados escassos sobre 3-D, e não foram demonstradas robustez e generalização dos modelos.

## Aplicação no consultório

Os achados sugerem que modelos de aprendizado profundo podem auxiliar na identificação automatizada de pontos cefalométricos, com acurácia em torno de 2 mm. No entanto, devido ao alto risco de viés e à falta de demonstração de generalização, a aplicação clínica rotineira ainda requer cautela. O ortodontista pode considerar essas ferramentas como apoio, mas deve validar os resultados em sua população e manter a avaliação especializada. A gestão do consultório pode se beneficiar da automação para agilizar análises, mas a implementação deve aguardar evidências mais robustas.

## Perguntas para aprofundar

- Qual a acurácia do aprendizado profundo para detecção de pontos cefalométricos em imagens 3-D?
- Como o risco de viés nos estudos de aprendizado profundo para cefalometria pode ser mitigado?
- Quais são as limitações da generalização dos modelos de aprendizado profundo para diferentes populações?

Tema: IA em diagnóstico por imagem e radiologia. Página: https://alphadoctor.com.br/ciencia/ia-radiologia/o-aprendizado-profundo-e-preciso-para-detectar-pontos-cefalometricos-em/

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