Inteligência artificial como método auxiliar na estimativa de idade em radiografia panorâmica

• Autor(a) principal: Sousa, Douglas Pereira de
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UEPB
• Texto Completo: http://tede.bc.uepb.edu.br/jspui/handle/tede/4588
• topic: Inteligência artificial; Odontologia legal; Diagnóstico por imagem; ODONTOLOGIA::RADIOLOGIA ODONTOLOGICA

O conhecimento da idade dos indivíduos vivos é de fundamental importância no que concerne à responsabilidade criminal e à imigração ilegal, assim como na reconstrução do perfil biológico de cadáveres não identificados em desastres em massa. Abordagens relativamente não invasivas para a previsão da idade vem sendo utilizadas há bastante tempo, por exemplo, a razão entre medidas do dente e da cavidade pulpar utilizando radiografias odontológicas, também chamado de método de Kvaal. Entretanto, estimar a idade por meio de métodos radiográficos pode apresentar uma margem de erro alta, além de exigir abordagens complexas, tempo e treinamento dos examinadores. Sendo assim, surge a possibilidade de aumentar a precisão da estimativa com a utilização da inteligência artificial que vem alcançando resultados em diversas áreas do conhecimento. Este estudo teve como objetivo estimar a idade por meio do método radiográfico de Kvaal em radiografias panorâmicas utilizando a inteligência artificial como abordagem auxiliar. Tratou-se de um estudo observacional transversal aprovado pelo Comitê de Ética em Pesquisa sob o CAAE: 56455322.6.0000.5187. Foram selecionadas 554 radiografias panorâmicas do banco de dados de uma clínica privada de radiologia odontológica do nordeste brasileiro coletadas entre os anos de 2017 a 2019 e realizadas nos equipamentos Carestream® CS 8100 3D e no Carestream® CS 9000 3D. As radiografias foram de pacientes com idades entre 13 e 57 anos apresentando o incisivo central superior esquerdo e o canino superior esquerdo irrompidos e hígidos. A concordância intraobservador para o método de Kvaal foi estabelecida através do teste Kappa de Cohen, no qual o coeficiente demonstrou confiabilidade de moderada a perfeita. Para a estimativa da idade através do método de Kvaal foram realizadas medidas lineares nas imagens utilizando o software ImageJ®. A fim de compensar qualquer diferença na ampliação das imagens radiográficas, as proporções entre as medidas realizadas no dente e na cavidade pulpar foram calculadas. Os dados do método de Kvaal foram analisados estatisticamente através do teste de Mann-Whitney, do coeficiente de correlação de Spearman, do teste t-Student e da regressão linear para estimar as idades e analisar a variabilidade dos dados da estimativa. A margem de erro utilizada na decisão dos testes estatísticos foi de 5% e os intervalos com 95% de confiança. Em relação à previsão de idade através da inteligência artificial foram utilizadas três abordagens: semântica, radiômica e a concatenação dos atributos semânticos e radiômicos. O particionamento da amostra foi realizado na proporção 85/15 (85% da amostra para treinamento e 15% para testes) nas três abordagens. A partir do treinamento, os algoritmos de regressão com os melhores desempenhos foram selecionados e utilizados no grupo de testes: Logistic Regression, Linear Regression, Random Forest Reg, Gradient Boost Reg e XG Boosting Reg. Foram extraídos os dados tabulados do método de Kvaal gerando dezenove atributos semânticos. Os incisivos centrais superiores e os caninos superiores foram segmentados das radiografias panorâmicas manualmente através do software GIMP® e geraram sete atributos radiômicos (contraste, correlação, energia, homogeneidade, entropia, media e desvio) para cada dente, totalizando quatorze atributos. Por fim, a concatenação dos dados resultou em trinta e três atributos (semânticos e radiômicos). Para analisar os resultados estatísticos do aprendizado de máquina foi aplicado o Erro Médio Absoluto (EMA). O método de Kvaal isolado é aplicável na população estudada (EMA 5,68) com destaque para o incisivo superior (EPE 7,10) que obteve maior precisão de estimativa que o canino (EPE 7,38). No tocante ao aprendizado de máquina aplicado, a extração de atributos semânticos e radiômicos apresentaram desempenho semelhante na base completa (EMA 5,23), enquanto a concatenação desses atributos obteve precisão superior na estimativa das idades (EMA 4,77). O classificador XG Boosting Reg demonstrou performance promissora. O aprendizado de máquina apresentou precisão mais alta (EMA 4,77) ao estimar as idades da população estudada quando em relação ao método de Kvaal(EMA 5,68). Portanto, a inteligência artificial pode ser aplicada como abordagem auxiliar na estimativa de idade utilizando radiografias panorâmicas.