Detecção automática de lesões iniciais de cárie dentária utilizando aprendizado profundo

Abstract

Resumo: A cárie dentária é a segunda doença que mais acomete a saúde dos seres humanos e a detecção de suas lesões pode representar um desafio para os clínicos, especialmente em seus estágios iniciais. A alta variabilidade dos aspectos clínicos das lesões cariosas, a subjetividade dos índices utilizados para a sua classificação e as limitações nos exames complementares de diagnóstico são fatores que podem dificultar a detecção precoce da doença. Nesse contexto, algoritmos de inteligência artificial, como as Redes Neurais Convolucionais (CNNs) de aprendizado profundo podem desempenhar um importante auxílio na detecção das lesões cariosas, tornar as decisões clínicas mais rápidas e aumentar a assertividade dos tratamentos propostos. Neste trabalho, é investigada a eficiência de uma CNN para classificar padrões de higidez e de lesões iniciais de cárie dentárias, bem como a aplicabilidade das redes no auxílio ao diagnóstico da cárie dentária. Para isso, foram selecionados 2.481 dentes posteriores extraídos, sendo 2.459 permanentes e 22 decíduos, com diferentes estágios de lesões de cárie dentária, de acordo com o segundo código do Sistema Internacional de Detecção e Avaliação de Cárie (ICDAS). Após a avaliação clínica e a identificação, as superfícies oclusais dos dentes foram fotografadas com câmera digital profissional, a fim de obter dados para aprendizagem da CNN. A base de treinamento e validação da rede foi composta por 8.549 imagens de treinamento e 200 imagens de validação, totalizando 8.749 imagens. Já a base de teste foi formada por 140 fotos, não utilizadas no treinamento, sendo 70 de dentes hígidos (ICDAS-0) e 70 de dentes com lesões iniciais de cárie dentária (ICDAS-2). A rede treinada (VGG-19) apresentou 0,879 de acurácia, 0,827 de sensibilidade, 0,949 de precisão e F1-Score de 0,887. Para verificar o desempenho da VGG-19 no auxílio ao diagnóstico das lesões iniciais de cárie dentária, três examinadores (um aluno de graduação – AG, um cirurgião-dentista recém-graduado - CG e um especialista em odontopediatria - EO) realizaram o diagnóstico de cárie dentária, de maneira cega e independente, nas 140 fotografias da base teste (fase I). Em um segundo momento (fase II), os examinadores reavaliaram os mesmos dentes, dispondo dos resultados de detecção da CNN. Na fase I a acurácia dos examinadores foi de AG=0,543, CG=0,771 e EO=0,807, já na fase II foi de AG=0,679, CG=0,886 e EO=0,857. O número de acertos foi significativamente maior comparando as Fases I e II para todos os examinadores (Teste de McNemar, P<0,005). Com base nestes resultados, conclui-se que a VGG-19 apresenta bom desempenho tanto na detecção de padrões de higidez e de lesões cariosas iniciais em superfícies oclusais, quanto no auxílio ao diagnóstico de lesões iniciais de cárie dentária.

Abstract: Dental caries is the second disease that most affects the health of human beings, and the detection of it is lesions can represent a challenge for clinicians, especially in it is initial stages. The high variability of the clinical aspects of carious lesions, the subjectivity of the indices used for their classification, and the limitations in complementary diagnostic tests are factors that may hinder the early detection of the disease. In this context, artificial intelligence algorithms such as deep learning Convolutional Neural Networks (CNNs) may play an important role in the detection of carious lesions, to make clinical decisions faster and to increase the assertiveness of proposed treatments. In this work, the efficiency of a CNN to classify patterns of health and initial lesions of dental caries is investigated, as well as the applicability of networks in aiding the diagnosis of dental caries. For this, 2,481 extracted posterior teeth were selected, 2,459 permanent and 22 deciduous, with different stages of dental caries lesions, according to the second code of the International System for Detection and Evaluation of Caries (ICDAS). After clinical evaluation and identification, the occlusal surfaces of the teeth were photographed with a professional digital camera to obtain data for CNN learning. The training and validation base of the network was composed of 8,549 training images and 200 validation images, totaling 8,749 images. The test base was formed by 140 photos not previously used, 70 of healthy teeth (ICDAS-0) and 70 of teeth with initial lesions of dental caries (ICDAS-2). The trained neural network (VGG-19) presented 0.879 of accuracy, 0.827 of sensitivity, 0.949 of precision and F1-Score of 0.887. To verify the performance of the VGG-19 in aiding the diagnosis of initial lesions of dental caries, three examiners (being an undergraduate student=AG, a newly graduated dental surgeon=CG and a specialist in Pediatric Dentistry=EO) performed the diagnosis of dental caries, blindly and independently, in the 140 photographs of the test base (phase I). In a second moment (phase II), the examiners reassessed the same teeth, having the CNN detection results available. In phase I, the examiners' accuracy was AG=0.543, CG=0.771 and EO=0.807, while in phase II it was AG=0.679, CG=0.886 and EO=0.857. The number of correct answers was significantly higher comparing Phases I and II for all examiners (McNemar Test, P<0.005). Based on these results, it is concluded that VGG-19 performs well both in the detection of health patterns and initial carious lesions on occlusal surfaces, and in aiding the diagnosis of initial dental caries lesions