Termografia infravermelha e inteligência artificial como auxiliares no diagnóstico da disfunção temporomandibular

• Autor(a) principal: LIMA, Elisa Diniz de
• Data de Publicação: 2021
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UEPB
• Texto Completo: http://tede.bc.uepb.edu.br/jspui/handle/tede/3950
• topic: Termografia; Diagnóstico; Inteligência artificial; Síndrome da disfunção da articulação temporomandibular; ODONTOLOGIA::CLINICA ODONTOLOGICA

As disfunções temporomandibulares (DTM) são definidas como um conjunto de condições musculoesqueléticas e neuromusculares envolvendo as articulações temporomandibulares (ATM), os músculos mastigatórios e estruturas associadas. O RDC/TMD (Research diagnostic criteria for temporomandibular disorders) é o principal e mais aceito instrumento de diagnóstico de DTM. No entanto, a aplicação desse instrumento demanda tempo e treinamento dos profissionais. Em casos de distúrbios musculares, a termografia infravermelha (TI) vem apresentando resultados positivos por fornecer informações referentes a microcirculação local. O uso de técnicas de inteligência artificial pode auxiliar na avaliação de termogramas e contribuir para um diagnóstico rápido e preciso de DTM. Este trabalho teve como objetivo avaliar três métodos de aprendizado de máquina (AM) para extração de atributos, radiômicos, semânticos e a associação de atributos radiômicos e semânticos, na detecção de DTM utilizando TI e dados de dor à palpação; e determinar qual algoritmo classificador de AM: KNN, SVM e MLP, é o mais eficiente para esse propósito. Trata-se de um estudo observacional do tipo transversal, aprovado pelo comitê de ética em pesquisa com o protocolo CAAE: 73417017200005187. A amostra desse estudo foi de 41 pacientes com DTM, selecionados por meio da aplicação do RDC/TMD, e 37 pacientes sem DTM, voluntários que tiveram a ausência de DTM confirmada a partir do Índice anamnésico de Fonseca. Os pacientes tinham entre 18 e 60 anos de idade, de ambos os sexos. Todos os pacientes que tiveram alterações sistêmicas que pudessem interferir na avaliação dos termogramas foram excluídos do estudo. Os exames termográficos foram realizados no laboratório de termografia infravermelha da Universidade Estadual da Paraíba seguindo os protocolos da Academia Americana de Termologia, utilizando a câmera térmica FLIR T650sc, fixada em um tripé a uma distância de 0,8m da face do paciente. Foram adquiridos dois termogramas em norma lateral (lateral direita e lateral esquerda) de cada paciente. Para análise dos dados de temperatura obtidos por meio do software FLIR Tools v.6.4, um avaliador utilizando a ferramenta círculo obteve as temperaturas em duas regiões no músculo temporal anterior e em seis regiões no músculo masseter. Os dados de temperatura e de dor à palpação foram tabulados e utilizados como atributos semânticos. Para a extração dos atributos radiômicos, o programa Fiji Image J (versão 1.8.0) foi utilizado para a segmentação das regiões de interesse (ROI) correspondentes aos músculos masseter e temporal anterior. Após a segmentação, vinte atributos de textura (radiômicos), dez por músculo avaliado, foram extraídos através de matrizes de co-ocorrência na angulação padrão de 0º: contraste, correlação, energia, homogeneidade, entropia, média aparada, curtose, assimetria, desvio padrão e variância. Posteriormente, os atributos de textura passaram pelo procedimento de redução de dimensionalidade através da análise por componentes principais. Utilizando os algoritmos classificadores de AM, KNN, SVM e MLP, foram calculadas a acurácia, precisão, sensibilidade e especificidade para os métodos de extração de atributos, radiômico, semântico e radiômico-semântico associados para o diagnóstico de DTM. Os dados foram analisados estatisticamente utilizando o teste de Hopkins para avaliação de clusters, teste ANOVA para medidas repetidas e pós teste de Tukey. O valor de acurácia da amostra de treinamento e a amostra teste só diferiu estatisticamente para a associação dos métodos de extração de atributos radiômicos-semânticos (p<0,05). O algoritmo classificador MLP apresentou os melhores valores de acurácia, diferindo de KNN e SVM para métodos radiômico-semântico associados (p<0,05). Os valores de acurácia, precisão e sensibilidade dos atributos semânticos e a associação radiômico-semântico diferiram estatisticamente dos atributos radiômicos (p<0,05). Os atributos semânticos apresentaram os melhores valores de especificidade e diferiram estatisticamente dos atributos radiômicos (p<0,05). Os métodos de extração de atributos semânticos e a associação dos atributos radiômicos e semânticos apresentaram melhores resultados que o método radiômico para a detecção de DTM utilizando TI e escala de dor. O algoritmo classificador MLP deve ser utilizado para esse fim quando se optar pela extração de atributos radiômicos e semânticos. O uso de IA associada a TI apresenta resultados promissores para a detecção de DTM.