Portal InstitucionalUFPEL

Este projeto tem uma importância significativa no avanço do diagnóstico odontológico assistido por inteligência artificial (IA), oferecendo uma solução inovadora e tecnológica para a detecção de lesões de cárie secundária em radiografias interproximais. A combinação de algoritmos de deep learning com a prática odontológica tem o potencial de melhorar a precisão diagnóstica, reduzir falsos positivos, e fornecer uma ferramenta de suporte eficiente para os profissionais da área.
A inovação reside no desenvolvimento de um algoritmo treinado não apenas para detectar lesões de cárie, mas também para reconhecer e diferenciar fatores confundidores que comumente resultam em diagnósticos incorretos, como falhas marginais, burnouts cervicais e materiais restauradores radiolúcidos. Esse aprimoramento representa um avanço científico e tecnológico, oferecendo uma solução que vai além dos sistemas comerciais atualmente disponíveis.
No âmbito clínico, o uso de IA aplicada ao diagnóstico odontológico pode aumentar a confiança dos profissionais na tomada de decisão, proporcionando mais precisão na classificação de lesões e, consequentemente, tratamentos mais assertivos. Ao permitir que dentistas e estudantes façam avaliações mais precisas, o projeto pode contribuir para a diminuição de procedimentos invasivos desnecessários, o que impacta diretamente a qualidade de vida dos pacientes.
Além disso, a possibilidade de validar o algoritmo em um ambiente clínico, por meio de um ensaio clínico randomizado (RCT) com profissionais e estudantes, garante que a tecnologia será testada e aprimorada em condições reais, aumentando sua aplicabilidade e aceitação no mercado. Esse processo de validação também é relevante para a educação odontológica, uma vez que os estudantes terão acesso a uma ferramenta inovadora que pode facilitar o aprendizado e a prática clínica.
Por fim, o desenvolvimento deste projeto abre caminhos para futuras inovações na interseção entre IA e odontologia, incentivando o desenvolvimento de novos algoritmos e sistemas de suporte clínico em outras áreas odontológicas, como periodontia e endodontia. O impacto positivo na pesquisa científica, na prática clínica e no uso de tecnologias avançadas posiciona este projeto como uma referência no campo do diagnóstico assistido por IA.

O presente projeto de pesquisa busca dar continuidade às investigações sobre a aplicação de um algoritmo treinado com inteligência artificial para a detecção de lesões de cárie secundária em radiografias bitewings. Esse algoritmo inicial, baseado em deep learning para a detecção de cáries secundárias em radiografias interproximais, utilizando a arquitetura Mask-RCNN. O algoritmo apresentou resultados promissores, com F1-scores de 0.719 para cáries secundárias, mostrando seu potencial em melhorar o diagnóstico clínico (Chaves et al., 2024). A proposta atual busca dar continuidade a esse avanço, refinando o algoritmo previamente desenvolvido e expandindo sua aplicação clínica. As próximas etapas envolvem a comparação com outras soluções de IA disponíveis no mercado e a validação clínica por meio de ensaios controlados randomizados (ECR), a fim de testar sua aplicabilidade e impacto nas decisões terapêuticas e na confiança dos profissionais de saúde.
O presente projeto será dividido em três fases principais: (1) desenvolvimento e aprimoramento de um algoritmo baseado em IA para detecção de lesões de cárie secundária e identificação de fatores radiográficos confundidores, (2) comparação do algoritmo desenvolvido com outros algoritmos, tanto comerciais quanto experimentais, e (3) validação clínica do algoritmo por meio de um ensaio clínico randomizado (ECR).

Meta 1: Desenvolvimento e aprimoramento do algoritmo de deep learning
Descrição:
Desenvolver e aprimorar um algoritmo de deep learning capaz de detectar com precisão lesões de cárie secundária ao redor de restaurações em radiografias interproximais, levando em consideração fatores confundidores, como burnouts cervicais, gaps restauradores e materiais radiolúcidos. O algoritmo será ajustado para aumentar a sensibilidade e reduzir falsos positivos.
Indicadores:
Conclusão do desenvolvimento e refinamento do algoritmo em até 12 meses.
Alcance de uma acurácia mínima de 90% nos testes preliminares, com base em um dataset validado que contemple diferentes tipos de restaurações e confundidores.
Publicação de um artigo científico sobre as melhorias e ajustes do algoritmo no reconhecimento de fatores confundidores.
Meta 2: Avaliação da precisão e confiabilidade do algoritmo
Descrição:
Avaliar o desempenho do algoritmo desenvolvido em termos de precisão, sensibilidade, especificidade e confiabilidade, comparando-o a diagnósticos realizados por especialistas humanos. Essa meta inclui testes em diferentes cenários clínicos, incluindo variações de qualidade das imagens e diferentes tipos de restaurações.
Indicadores:
Comparação dos resultados do algoritmo com diagnósticos de especialistas, atingindo uma taxa de acerto superior a 85%.
Teste de confiabilidade do algoritmo em diferentes datasets, com variação mínima nas métricas de performance entre diferentes conjuntos de dados (limite de 5% de variação).
Relatório de comparação entre o algoritmo e os diagnósticos humanos com base em um estudo clínico revisado por pares.
Meta 3: Investigação de softwares comerciais e experimentais de IA
Descrição:
Analisar e comparar o desempenho do algoritmo com pelo menos três outros algprtimos comerciais e experimentais amplamente utilizados para detecção de cáries, considerando critérios como sensibilidade, especificidade, precisão e facilidade de integração clínica.
Indicadores:
Análise de pelo menos 2 softwares comerciais e 2 experimentais de IA baseados em machine learning.
Elaboração de um relatório comparativo detalhado entre o algoritmo desenvolvido e os softwares comerciais e experimentais, com base em métricas padronizadas de avaliação.
O algoritmo desenvolvido deverá superar os comerciais e experimentais em pelo menos 50% dos critérios de avaliação (sensibilidade, especificidade, precisão).
Meta 4: Avaliação do impacto da IA na detecção por profissionais e estudantes
Descrição:
Estudar o impacto do uso da IA na precisão diagnóstica de cáries secundárias por profissionais e estudantes de odontologia, comparando as avaliações manuais com aquelas realizadas com suporte do algoritmo. O estudo também avaliará a confiança dos participantes na tecnologia.
Indicadores:
Envolvimento de 100 participantes no estudo, incluindo profissionais e estudantes de odontologia.
Aumento da acurácia diagnóstica em pelo menos 10% com o uso do algoritmo em comparação com as avaliações manuais.
Pesquisa de satisfação e confiança dos participantes na IA, com 80% de aprovação na avaliação da ferramenta como auxiliar ao diagnóstico.
Meta 5: Medição de sensibilidade, especificidade e precisão da IA em comparação com avaliação humana
Descrição:
Avaliar a performance da IA em comparação com a avaliação manual, considerando métricas de sensibilidade, especificidade e precisão para a detecção de cáries secundárias em diferentes estágios de desenvolvimento (em esmalte e dentina).
Indicadores:
Relatório detalhado com as métricas de sensibilidade, especificidade e precisão para cada grupo de teste (avaliação com IA e manual).
Diferença percentual entre o algoritmo e os diagnósticos humanos, com uma tolerância máxima de 10% entre as duas abordagens.
Publicação de um artigo detalhando a comparação entre IA e avaliação humana, com foco na sensibilidade e especificidade.
Meta 6: Avaliação do impacto da IA nas decisões de tratamento e na confiança
Descrição:
Investigar como o uso da IA na detecção de cáries secundárias afeta as decisões clínicas e o nível de confiança dos profissionais e estudantes em suas avaliações. O estudo incluirá a análise das mudanças nas decisões terapêuticas antes e após o uso da IA.
Indicadores:
Aumento do número de decisões clínicas assertivas em pelo menos 20% após a implementação do algoritmo de IA.
Relatório detalhado sobre as mudanças nas decisões terapêuticas (como intervenções menos invasivas ou tratamentos mais conservadores) associadas ao uso de IA.
Pesquisa pós-uso da IA, indicando uma melhoria de pelo menos 10% no nível de confiança dos participantes em suas decisões diagnósticas e terapêuticas.
Artigo científico destacando os efeitos da IA na confiança e nas decisões de tratamento dos profissionais de odontologia.
Meta 7: Avaliação do custo-benefício da implementação de IA na prática clínica Descrição: Estudar o impacto econômico da implementação de IA em clínicas odontológicas, avaliando o custo-benefício de sua adoção em comparação com métodos de diagnóstico tradicionais. Indicadores:
Análise de custo-benefício detalhada, considerando o tempo de diagnóstico, redução de erros e intervenções desnecessárias.
Relatório que conclua se a implementação de IA justifica o investimento em termos de custo e eficiência.
Publicação de um estudo de caso comparando a eficiência econômica do uso de IA em clínicas odontológicas.