INTELIGÊNCIA ARTIFICIAL NO DIAGNÓSTICO ORTODÔNTICO: REVISÃO INTEGRATIVA DA OTIMIZAÇÃO DA ANÁLISE CEFALOMÉTRICA E PREVISÃO DE RESULTADOS
DOI:
https://doi.org/10.56238/rebeisv1n11-003Palavras-chave:
Inteligência Artificial, Cefalometria, Deep Learning, Diagnóstico por Imagem, OrtodontiaResumo
Objetivo: Este artigo apresenta uma revisão integrativa sobre a aplicação de softwares baseados em Inteligência Artificial (IA) na otimização da análise cefalométrica e na previsão de resultados em Ortodontia, avaliando sua acurácia, reprodutibilidade e aplicabilidade clínica. Problema: A análise cefalométrica manual apresenta limitações inerentes, como variabilidade inter e intraexaminador, elevado tempo operacional e subjetividade na identificação de pontos anatômicos, especialmente em pacientes com fissuras labiopalatinas ou más oclusões complexas. Metodologia: Realizou-se revisão da literatura indexada nas bases PubMed, Springer e Google Scholar para literatura complementar, no período de 2020 até fevereiro de 2026, selecionando estudos que avaliaram algoritmos de deep learning, redes neurais convolucionais (CNNs) e sistemas automatizados de detecção de landmarks cefalométricos. Resultados: Os modelos baseados em deep learning demonstraram Erro Radial Médio (MRE) entre 1,21 mm e 1,45 mm para detecção automática de pontos cefalométricos, com taxas de sucesso superiores a 90% em limiares clinicamente aceitáveis de 2 mm (POLIZZI; LEONARDI, 2024; LEE et al., 2023). Estudos recentes evidenciaram que a combinação de IA com ajuste manual reduz o tempo de análise em aproximadamente 70% comparado à cefalometria manual, mantendo acurácia equivalente (PANESAR et al., 2023). Para aplicações preditivas em Ortodontia, redes neurais especializadas têm demonstrado potencial promissor na análise de padrões craniofaciais e no suporte ao planejamento terapêutico automatizado, embora ainda existam limitações relacionadas à variabilidade anatômica e à generalização clínica dos modelos (YANG et al., 2023). Conclusão: A IA otimiza significativamente o fluxo de trabalho ortodôntico, mas requer supervisão clínica para ajuste de landmarks em casos de anomalias craniofaciais ou displasias esqueléticas severas.
Referências
BROADBENT, B. Holly. A new x-ray technique and its application to orthodontia. The Angle Orthodontist, Appleton, v. 1, n. 2, p. 45–66, 1931. DOI: 10.1043/0003-3219(1931)001<0045:ANXTAI>2.0.CO;2.
LEE, Hwangyu et al. Automatic identification of posteroanterior cephalometric landmarks using a novel deep learning algorithm: a comparative study with human experts. Scientific Reports, London, v. 13, article 15506, 2023. DOI: 10.1038/s41598-023-42870-z.
PANESAR, Sumer et al. Precision and Accuracy Assessment of Cephalometric Analyses Performed by Deep Learning Artificial Intelligence with and without Human Augmentation. Applied Sciences, Basel, v. 13, n. 12, p. 6921, 2023. DOI: 10.3390/app13126921.
POLIZZI, Alessandro; LEONARDI, Rosalia. Automatic cephalometric landmark identification with artificial intelligence: an umbrella review of systematic reviews. Journal of Dentistry, Amsterdam, v. 146, article 105056, 2024. DOI: 10.1016/j.jdent.2024.105056.
SCHLICHER, William et al. Consistency and precision of landmark identification in three-dimensional cone beam computed tomography scans. European Journal of Orthodontics, Oxford, v. 34, n. 3, p. 263–275, 2012. DOI: 10.1093/ejo/cjq144.
TAKAHASHI, Kaisei et al. Cephalometric landmark detection without X-rays combining coordinate regression and heatmap regression. Scientific Reports, London, v. 13, article 20011, 2023. DOI: 10.1038/s41598-023-46919-x.
WANG, Ching-Wei et al. Evaluation and comparison of anatomical landmark detection methods for cephalometric X-ray images: a grand challenge. IEEE Transactions on Medical Imaging, New York, v. 34, n. 9, p. 1890–1900, 2015. DOI: 10.1109/TMI.2015.2412951.
YANG, Su et al. Ceph-Net: automatic detection of cephalometric landmarks on scanned lateral cephalograms from children and adolescents using an attention-based stacked regression network. BMC Oral Health, London, v. 23, article 803, 2023. DOI: 10.1186/s12903-023-03452-7.
