Evidências atuais de inteligência artificial gerativa especificamente desenvolvida para radiologia dentária e maxilofacial: revisão sistemática

Revisão sistemáticaNível 1 · Evidência consolidadaDento maxillo facial radiology1 set 20262 citações

O que aconteceu

Esta revisão sistemática teve como objetivo investigar o atual desenvolvimento e aplicação da paisagem de redes de inteligência artificial generativa (Gen-AI) especificamente projetadas para radiologia dentária e maxilofacial (DMFR) e resumir suas potenciais aplicações para prática clínica, educação e pesquisa. Foram pesquisadas cinco bases de dados eletrônicas para identificar estudos que desenvolveram e validaram redes de Gen-AI específicas do DMFR. Foram extraídos dados referentes à finalidade e tipo do modelo Gen-AI, detalhes do conjunto de dados, métricas de avaliação quantitativa, métodos de avaliação subjetiva e achados-chave. Critérios de avaliação personalizados adaptados do checklist Checklist for Artificial Intelligence in Medical Imaging (CLAIM) foram utilizados para avaliar o risco de viés para os estudos incluídos em 4 domínios (detalhes do conjunto de dados, relato de arquitetura e estratégias de treinamento do modelo Gen-AI, confiabilidade dos métodos de avaliação de desempenho e acessibilidade de código e modelos desenvolvidos).

O que encontraram

Foram incluídos 43 estudos dos 2060 registros inicialmente identificados. Destes, 24 estudos (55,8%) focaram na qualidade da imagem, abordando melhorias na resolução espacial, redução de artefatos e ruídos, geometria e projeção da imagem, precisão quantitativa dos valores de voxel, 14 (32,6%) na simulação de imagem (incluindo a geração de radiografias de mordida, panorâmicas e cefalométricas, tradução de imagem para imagem e simulação de previsão pós-tratamento), 3 (7%) na reconstrução 3D de imagens 2D e 2 (4,6%) na interpretação e notificação automatizadas. Quase todos os estudos (95,3%) relataram métricas objetivas de avaliação enquanto cerca da metade (58,1%) incorporaram avaliações subjetivas utilizando sistemas de pontuação ou classificação visual. O risco de cidadania foi moderado para detalhes de dados em 7 estudos (16,3%) e avaliação de desempenho em 20 (46,5%) e alto para acessibilidade de código e modelo em 35 estudos (81,4%).

Por que isso importa

Enquanto os modelos de Gen-AI específicos para DMFR apresentam potencial promissor para a prática clínica, educação e pesquisa, sua aplicabilidade requer superar desafios relacionados à qualidade, validação, integração e considerações éticas e legais dos dados. Validação clínica adicional, maior transparência e acessibilidade e avaliação minuciosa de custo-efetividade nos fluxos de trabalho diagnósticos são essenciais para garantir seu uso seguro e eficaz.

Tradução automática do resumo original, publicado em Dento maxillo facial radiology sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.