Acurácia de ferramentas de aprendizado de máquinas profundo no rastreamento da osteoporose em exames de imagem odontológicos : uma revisão sistemática

Abstract

Introdução: A osteoporose é uma doença metabólica de alta prevalência e de grande impacto na saúde pública. Caracteriza-se pela deterioração progressiva e silenciosa da microarquitetura óssea, devido a redução da densidade mineral óssea. O diagnóstico de osteoporose é geralmente realizado por Absorciometria de Raios X de Dupla Energia (DXA), porém, por se tratar de um exame de custo elevado, é ainda pouco acessível à grande parte da população. Os exames radiográficos odontológicos, comumente utilizados para o diagnóstico de problemas dentários e para o plano de tratamento de maneira relativamente conveniente e barata, incluem informações ricas sobre a estrutura óssea trabecular que podem ser utilizadas para investigar a presença de osteoporose. Dessa forma, métodos auxiliares baseados em inteligência artificial (IA) têm sido propostos para auxiliar os cirurgiões-dentistas no rastreamento de osteoporose utilizando exames de imagem odontológicos, como radiografias e tomografia computadorizada. Objetivos: realizar uma revisão sistemática para avaliar a acurácia de ferramentas de aprendizado profundo (deep learning) no rastreamento de osteoporose por meio de exames de imagem odontológicos. Metodologia: Foi realizada uma busca nas bases PUBMED/Medline, Embase, LILACS, Web of Science, Scopus, Computers and Applied Sciences Complete (EBSCO), ACM Digital Library e Compendex. A literatura cinzenta foi também investigada por meio do Google Scholar e Proquest. A pergunta focada foi definida com base no acrônimo PIRD (P - população, I - Teste índice, R - padrão de referência, D – diagnóstico). Foram elegíveis os estudos realizados com pacientes adultos e com diagnóstico de osteoporose que aplicaram algoritmos de aprendizado profundo na análise de radiografias dentárias ou tomografias computadorizadas, usando como padrão de referência a DXA ou a anotação de examinadores experientes . Os artigos que atenderam aos critérios de seleção foram analisados criticamente com base nas diretrizes do QUADAS-2, checklist específico para IA também foi utilizado, e a certeza da evidência foi avaliada usando a abordagem GRADE. Resultados: Foram encontrados no total 799 estudos, restando 62 para a leitura completa, dos quais 10 estudos foram selecionados. Na maioria dos estudos, foi utilizado DXA como padrão de referência, o exame de imagem odontológico mais usado foi a radiografia panorâmica (n=9) e a métrica de desempenho mais frequente foi a acurácia (n=10) seguida de sensibilidade/especificidade (n=6) e área sob a curva ROC (n=4). Os tamanhos dos conjuntos de dados em cada estudo variaram de 70 a 1600 imagens. Os maiores valores de acurácia (98,5%) foram obtidos em dois estudos utilizando DCNN de várias colunas (MC-DCNN), Alexnet e GoogleNet. O menor valor de acurácia (66,7%) foi observado em um estudo com uso de CNN3. Embora os algoritmos de aprendizado profundo possam ser usados como arquiteturas individualizadas, modelos de redes neurais convolucionais pré-treinadas, como VGG16, GoogleNet, ResNet e AlexNet foram usadas na maioria dos estudos, sendo que em dois estudos foram adicionadas covariáveis clínicas, como idade, às camadas do modelo. Conclusão: O uso de algoritmos de aprendizado profundo em serviços odontológicos apresenta-se como potencial ferramenta auxiliar no processo de tomada de decisão dos cirurgiões-dentistas, permitindo avaliação de imagens e rastreamento de osteoporose, além de poupar tempo e outros recursos. No entanto, a utilização desses métodos carece ser confirmada por mais estudos, principalmente prospectivos e com delineamentos mais completos e padronizados.