Portal InstitucionalUFPEL

Apesar do notável progresso no desenvolvimento de ferramentas baseadas em inteligência artificial (IA) para a detecção de doenças na área da saúde, há tênue evidência focada na predição de fatores associados, detecção e estadiamento da severidade da doença articular degenerativa (DAD) na articulação temporomandibular (ATM) em tomografia computadorizada de feixes cônicos (TCFC).

Este estudo utilizará um modelo de segmentação universal para imagens médicas, baseado no Segment Anything Model (SAM) e o framework de radiômica baseado em segmentação semântica profunda para avaliar características de imagens odontológicas de TCFC da ATM. Este modelo é capaz de realizar segmentação eficiente e robusta em múltiplas modalidades de imagens como a TCFC. O MedSAM, como assim é definido em IA, refere-se a um modelo treinado especificamente para segmentação de imagens médicas, uma aplicação crucial em IA na área de saúde. Esses modelos são utilizados em tarefas como: Delimitação de órgãos ou lesões (ex.: tumores, aneurismas); extração de regiões anatômicas de interesse; auxílio em diagnósticos mais precisos e rápidos. A abordagem compreende três etapas principais: segmentação, extração de características e seleção de características (Huang et al., 2020; Ma et al., 2024).

Coleta e Pré-Processamento de Dados
Fonte de Dados e Arquitetura do Modelo
Será realizado um estudo de imagens de DADs na ATM provenientes de imagens de TCFC de pacientes com diagnóstico de DTM articular (Holanda et al., 2018). Será utilizado um encoder baseado em transformer (ViT), que processa imagens, e um decodificador de máscara para a segmentação. O modelo empregará prompts interativos, como caixas delimitadoras ou pontos, que guiam a segmentação. O treinamento do MedSAM será realizado a partir do modelo SAM pré-existente, adaptado para dados odontológicos, utilizando uma combinação de perda Dice e entropia cruzada. A sua validação será conduzida em tarefas internas (com dados já vistos) e externas (com novos dados). O MedSAM tem superado modelos específicos de modalidade, mostrando maior versatilidade e generalização, a partir do que foi possível notar sua eficiência com um tempo de anotação manual reduzido em mais de 80% (Huang et al., 2020; Ma et al., 2024).
O treinamento será em duas etapas e refinará os dados de predição e a precisão da detecção e severidade de DAD na ATM (côndilo e eminência articular), onde as anotações serão realizadas por dois avaliadores e verificadas por outros dois especialistas. Métricas agregadas de precisão (média ± desvio padrão) na detecção de DAD serão calculadas considerando dois limiares: detecção de todas as DAD em côndilo ou cavidade articular. A correlação entre as pontuações de predição e detecção e severidade das DADs obtidas com o algoritmo e o consenso dos anotadores será determinada utilizando o coeficiente de correlação de Pearson e gráficos de Bland-Altman.

A principal inovação deste estudo será o treinamento do algoritmo em duas etapas: a primeira focada em fortalecer as capacidades de predição e detecção, e a segunda em refinar a classificação da gravidade das DADs para auxiliar clínicos com experiência limitada em DTM estabelecer fatores preditores, detectar precocemente e classificar o estadiamento da severidade das DADs, evitando-se assim a sua progressão e a limitação funcional daqueles acometidos.