Machine Translated by Google
ARTICLE DE RÉVISION
Anita Aminoshariae, DDS, MS,*
Jim Kulild, DDS, MS† et
Venkateshbabu Nagendrababu,
BDS, MFDS RCPS(Glasg),
MDS, Ph.D.‡
IMPORTANCE
L’IA peut être utilisée dans des
scénarios cliniques tels que les
rendez­vous, la planification,
le diagnostic, le traitement
et la prédiction des maladies en
endodontie. Les modèles
d'IA sont conçus pour fournir des
conseils et un soutien à un dentiste
dans sa pratique clinique.
Du *Département d'endodontie,
École Case de médecine dentaire, †
Cleveland, Ohio; Département de
Endodontie, Université du Missouri­
École de médecine dentaire de Kansas City, Kansas
Ville, Missouri ; et ‡ Département de
Dentisterie préventive et restauratrice,
Collège de médecine dentaire, Université de
Charjah, Charjah, Émirats arabes unis
Adressez les demandes de réimpression au Dr
Anita Aminoshariae, Department
of Endodontics, Case School of Dental
Medicine, 10900 Euclid Avenue,
Cleveland, OH 44124.
Adresse e­mail : Axa53@case.edu
0099­2399/$ ­ voir la préface
Copyright © 2021 Association américaine
des endodontistes.
https://doi.org/10.1016/
j.joen.2021.06.003
1352 Aminoshariae et al.
L'intelligence artificielle dans
Endodontie : actuelle
Applications et avenir
Directions
ABSTRAIT
Introduction : L'intelligence artificielle (IA) a le potentiel de reproduire l'intelligence humaine pour effectuer des
prédictions et des prises de décisions complexes en matière de soins de santé et a considérablement accru sa
présence et sa pertinence dans diverses tâches et applications en dentisterie, en particulier en
endodontie. L’objectif de cette revue était de discuter des applications endodontiques actuelles de l’IA et des
orientations futures potentielles. Méthodes : Les articles traitant des applications de l’IA en endodontie ont été
évalués pour déterminer les informations pertinentes à inclure dans cette revue narrative.
Résultats : les modèles d'IA (par exemple, réseaux de neurones convolutifs et/ou réseaux de neurones artificiels)
ont démontré diverses applications en endodontie, telles que l'étude de l'anatomie du système canalaire,
la détection de lésions périapicales et de fractures radiculaires, la détermination des mesures de
longueur de travail, la prédiction de la viabilité de la tige de pulpe dentaire. cellules et prédire le succès des
procédures de retraitement. L'avenir de cette technologie a été discuté à la lumière de l'aide à la planification, au
traitement des patients, aux interactions médicamenteuses, au diagnostic avec valeurs pronostiques et à la
chirurgie endodontique assistée par robot. Conclusions : L’IA a démontré son exactitude et sa précision
en termes de détection, de détermination et de prédiction des maladies en endodontie. L’IA peut contribuer à
l’amélioration du diagnostic et du traitement, ce qui peut conduire à une augmentation du succès des résultats du
traitement endodontique. Cependant, il est encore nécessaire de vérifier davantage la fiabilité, l’applicabilité et la
rentabilité des modèles d’IA avant de transférer ces modèles dans la pratique clinique quotidienne. (J Endod
2021 ; 47 : 1352­1357.)
MOTS CLÉS
Intelligence artificielle; réseaux de neurones artificiels; réseaux de neurones convolutifs ; endodontie
L'intelligence artificielle (IA) est une branche de l'informatique appliquée décrite pour la première fois par John McCarthy en 19561 . L'IA a
été décrite comme la « quatrième révolution industrielle », qui utilise la technologie informatique pour simuler un comportement intelligent, une
pensée critique et une prise de décision semblable à celle des humains2,3 . Il a été démontré que l’IA améliore l’efficacité, l’exactitude et la précision
de manière similaire à celle des professionnels de la santé, plus rapidement et à moindre coût3 .
Dans le domaine de la santé, 2 types d’IA sont disponibles : virtuelle et physique (robotique)4 . Le type virtuel traite
les algorithmes mathématiques utilisés pour le diagnostic et le pronostic5 , l'imagerie et l'ostéoporose6 , la planification des rendez­vous7 , les
algorithmes de dosage des médicaments8 , les interactions médicamenteuses9, , et dossiers de santé électroniques4 . Le physique
l'aspect comprend l'assistance robotique en chirurgie10, la téléprésence11, la réadaptation12 et les robots d'assistance sociale dans les soins aux
personnes âgées13.
L'IA peut exister sous forme de systèmes experts dans lesquels un système est construit pour suivre des règles, parfois des règles floues,
créé par un expert du domaine2 . Dans l’apprentissage automatique, des algorithmes logiciels sont utilisés pour apprendre des relations
à partir d’exemples sans instructions explicites14,15. Bien qu'il existe des systèmes d'apprentissage non supervisés capables d'identifier des groupes
(par exemple, un système permettant d'identifier différents phénotypes de patients à partir de données en endodontie), la plupart des applications
en dentisterie utilisent un apprentissage supervisé dans lequel les données d'entraînement incluent de nombreux échantillons, chacun présentant
une variété de caractéristiques ou de caractéristiques ( (par exemple, des images d'un patient, son sexe, son âge, le nombre de caries, etc.) et une
détermination de la vérité terrain (par exemple, une visite endodontique ou aucune visite endodontique)2 .
L'algorithme d'IA apprend la relation entre les caractéristiques et la vérité terrain à l'aide d'approches standard (par exemple, forêt
aléatoire ou machine à vecteurs de support) ou de réseaux de neurones artificiels (ANN), qui imitent un système de neurones biologiques avec de
nombreuses connexions neuronales adaptées en « apprentissage ». .»
JOE Volume 47, Numéro 9, Septembre 2021
Machine Translated by Google
Avec l’avènement des cartes graphiques avancées et des
innovations algorithmiques, les réseaux d’apprentissage
profond sont désormais utilisés. Dans l’apprentissage profond, on
utilise des ANN avec de nombreuses couches de neurones,
générant des millions de poids de connexion neuronale à
adapter et permettant au système d’apprendre des relations
très non linéaires entre les caractéristiques et les déterminations
de vérité terrain16. En imagerie, en raison de la
taille des données et de la caractéristique réelle
Si l'objet d'intérêt peut être petit (par exemple, le sommet),
des réseaux de neurones convolutifs (CNN) sont utilisés dans le
cadre desquels un réseau examine une sous­région de l'image
qui est déplacée autour de l'image pour prendre des décisions17.
Essentiellement, les CNN traitent plusieurs images et utilisent
la filtration pour analyser ces images18.
Les défis éthiques et les risques potentiels sont des
considérations juridiques émergentes qui ajoutent à la complexité
du système19. Les applications de l’IA en dentisterie ne sont pas
courantes dans les cabinets dentaires20. Cependant,
l’avènement de ces technologies a influencé l’imagerie et la
pathologie21, le diagnostic d’images dentaires18,22, la
détection des caries23, les enregistrements électroniques24 et
l’assistance robotique25.
Les systèmes d'IA ont le potentiel de
révolutionner le domaine de la médecine et de la dentisterie en
identifiant des solutions pour gérer de multiples problèmes
cliniques qui ont également facilité la tâche des
cliniciens. Recherche sur l'IA en
l’endodontie s’est développée parallèlement aux autres
spécialités de la dentisterie. Les connaissances de l'endodontiste
doivent être mises à jour en ce qui concerne l'application de l'IA.
L’objectif de cette revue était donc de discuter de la littérature
relative à la
applications de l’IA en termes de diagnostic, de prise de décision
clinique et de prédiction du succès d’un traitement en
endodontie et, en outre, pour identifier les lacunes existantes dans
l’application de l’IA.
APPLICATIONS ACTUELLES DE L'IA
EN ENDODONTIE
L'IA de détection
a été utilisée en endodontie principalement par des emplois
virtuels tels que la détection de lésions périapicales, de fractures
de couronnes et de racines ; détermination de la longueur de
travail ; et détection de la morphologie. Ces procédures décrivent
l'aspect virtuel de l'IA (Tableau 1).
Détection des lésions périapicales Le diagnostic et la
planification du traitement des dents présentant des lésions et/ou
des symptômes périapicales peuvent s'avérer difficiles pour les
cliniciens. La parodontite apicale est une maladie courante qui
représente environ 75 % des lésions radiotransparentes
de la mâchoire26. Une détection précoce pourrait
améliorer les résultats du traitement27 et éviter la
propagation de la maladie aux environs.
JOE Volume 47, Numéro 9, Septembre 2021
tissus et minimiser les complications supplémentaires28.
Les aides au diagnostic bidimensionnel les plus couramment
utilisées pour identifier la parodontite apicale dans la pratique
clinique quotidienne sont les radiographies périapicales intra­
orales et les radiographies panoramiques.
Les lésions périapicales sont généralement notées
sous forme de radioclartés sur les radiographies. Cependant,
les informations obtenues à partir des radiographies
périapicales ne sont pas exactes car l’anatomie tridimensionnelle
réelle est convertie en une image bidimensionnelle29. Par
conséquent, l’imagerie tomodensitométrique à faisceau conique
(CBCT), une technologie d’imagerie tridimensionnelle, a été
développée et utilisée pour détecter avec précision les
lésions périapicales ainsi que leur taille et leur emplacement.
Une méta­analyse a rapporté que les valeurs de précision pour
la détection des lésions périapicales étaient respectivement de
0,96, 0,73 et 0,72 pour l'imagerie CBCT, la radiographie périapicale
conventionnelle et la radiographie périapicale numérique30.
Cependant, l’utilisation de l’imagerie CBCT a entraîné une moins
grande précision dans le diagnostic de la parodontite apicale des
dents obturées31.
Endres et al32 ont rapporté qu'un profond
Le modèle d'algorithme d'apprentissage peut correspondre
aux performances diagnostiques de 24 chirurgiens bucco­
dentaires et maxillo­faciaux dans la détection des radioclartés
périapicales sur des radiographies panoramiques.
Une étude a comparé la capacité des modèles CNN avec 3
modèles oraux et maxillo­faciaux
radiologues dans la détection de lésions périapicales simulées sur
des radiographies intra­orales. Ils ont conclu que les
valeurs moyennes de
la sensibilité, la spécificité et l'aire sous la courbe caractéristique
de fonctionnement du récepteur par pli étaient plus élevées
dans le groupe CNN que dans les interprétations des
radiologues buccodentaires et maxillo­faciaux33. Ekert
et al34 ont rapporté que le potentiel des CNN profonds était
précis en termes de capacité discriminatoire à détecter les
lésions apicales sur les radiographies panoramiques par rapport
aux dentistes ayant plus de 10 ans d'expérience
clinique.
Cependant, les deux études ont été menées
avec un échantillon limité et la radiographie
panoramique utilisée, un outil très rarement utilisé par les
endodontistes pour le diagnostic33,34.
Généralement, la détection d'une lésion périapicale par radiographie
est sujette à de grandes variations entre les examinateurs, et la
capacité discriminatoire repose en grande partie sur
l'expérience de l'examinateur34. Les variations entre les
examinateurs et les préjugés peuvent être
réduit grâce à l’utilisation de systèmes d’IA27,34.
La segmentation du Deep Learning s’est avérée efficace
ont une excellente précision dans la détection d’une
lésion périapicale sur les images CBCT27. La fiabilité de la
détection correcte d'une lésion périapicale à partir d'images
CBCT par un système CNN était d'environ 92,8 %. Certains
auteurs ont également
signalé que les mesures de volume
menées par un système CNN profond et chez les humains
étaient similaires35, alors que l'écart de volume des lésions n'a
pas été pris en compte, ce qui pourrait affecter la fiabilité de
l'étude2 .
L'application de systèmes d'IA pour détecter
une lésion périapicale à partir de radiographies et d'analyses CBCT
pourrait améliorer la fiabilité et aider les cliniciens à atteindre des
précisions de détection
similaire ou supérieur à celui des spécialistes
expérimentés27,32,34,35. De plus, cela peut réduire les
efforts de diagnostic du dentiste en gagnant du temps d'évaluation
et en permettant une documentation semi­automatisée.
Cependant, la sensibilité des systèmes d’IA devrait être améliorée
et des études supplémentaires devraient être menées
avant son application clinique34.
Poswar Fde et al36 ont rapporté différentes expressions
génétiques pour un kyste périapical par rapport à un granulome
périapical. Les auteurs ont analysé l'expression des gènes pour
différencier un kyste d'un granulome à l'aide d'un réseau neuronal
perceptron multicouche pour la classification des gènes.
La limite de l’étude était que certaines données de
l’algorithme pouvaient ne pas être présentes. L’algorithme n’a
pas fait de différence entre les cytokines physiologiques et
inflammatoires. Cependant, les auteurs ont proposé que cette
méthodologie pourrait être utile pour distinguer d'autres
processus biologiques (par exemple, les biomarqueurs des
cancers).
Zheng et al37 ont comparé un modèle anatomique
Dense U­Net contraint avec les algorithmes d'analyse
d'images biomédicales existants concernant la précision de la
détection des lésions et les indices de coefficient de dés d'une
segmentation multi­étiquettes. Malgré la petite taille de l'échantillon,
les auteurs ont rapporté que le nouvel algorithme d'apprentissage
profond permettait la segmentation CBCT et la détection de la
pathose avec une sensibilité et une spécificité accrues.
Détection des fractures radiculaires
Les fractures radiculaires verticales (FRV) représentent 2 à 5 % des
fractures couronne/racine et sont considérées comme un problème.
complication grave pouvant entraîner soit une résection radiculaire,
soit une extraction dentaire38,39.
Les radiographies et l'imagerie CBCT aident à détecter
un VRF qui peut être difficile à diagnostiquer. L’absence
de diagnostic définitif peut entraîner une intervention chirurgicale
inutile ou une extraction dentaire. La présentation clinique et la
faible sensibilité des radiographies conventionnelles dans la
détection des FRV posent souvent un dilemme diagnostique pour
le clinicien. Dans leur méta­analyse, Talwar et al39 ont rapporté
que l'imagerie CBCT était plus efficace pour détecter les FRV
dans les dents non obturées que les radiographies, alors que les
radiographies étaient légèrement meilleures que l'imagerie
CBCT dans les dents obturées. En raison de
l'incapacité des méthodes conventionnelles à détecter avec
précision les VRF, un appel a été lancé pour le développement
de méthodes alternatives pour améliorer
Application actuelle de l'IA en endodontie 1353
Machine Translated by Google
TABLEAU 1 ­ Applications actuelles de l'intelligence artificielle (IA) en endodontie
But Méthodes d'IA
Détection des lésions périapicales ML, CNN, DL La lésion périapicale détectée par les radiographies et les scans CBCT par
Détection d'un kyste ou d'un granulome ML, ANN
périapical
Détection des fractures radiculaires ML, CNN, PNN AI pourraient être utiles dans la détection des fractures
Détermination de la longueur de travail ML, ANN
Détermination de la morphologie DL,
ML, CNN
Prédiction du retraitement ML, CBR
Prédiction de la viabilité des cellules souches ML, ANN (NFIS) Le NFIS a prédit la viabilité cellulaire après divers protocoles
ANN, réseau de neurones artificiels ; CBR, raisonnement basé sur des cas ; CNN, réseau de neurones convolutifs ; DL, apprentissage profond ;
ML, apprentissage automatique ; NFIS, système d'inférence neuro­flou ; PNN, réseau de neurones probabiliste.
le diagnostic des FRV. Fukuda et al40 ont rapporté que les
CNN pourraient être un outil prometteur pour détecter
(rappel 5 × 0,75 [sensibilité], précision 5 × 0,93 [valeur
prédictive positive] et mesure F 5 × 0,83 [indice utilisé
pour évaluer les performances d'apprentissage automatique])
des VRF sur des radiographies panoramiques.
Une autre étude visait à développer un réseau neuronal
probabiliste pour diagnostiquer les FRV dans les dents
intactes et remplies de racines sur des radiographies
périapicales et des images CBCT41. Ils ont conclu que
la détection d’une fracture radiculaire sur les images CBCT
est meilleure en termes de précision, de sensibilité et de
spécificité par rapport aux images provenant de
radiographies bidimensionnelles. Cependant, cette
conclusion a été tirée d’une analyse de dents
prémolaires à racine unique. Des recherches futures
devraient être menées pour étudier la capacité d'un réseau
neuronal probabiliste à détecter les fractures radiculaires
verticales des dents multiracinées.
À l’aide de données synthétiques, Shah et
al42 ont créé des fissures dans les secondes molaires et les
ont analysées avec des ondelettes. Ces mathématiques
les fonctions permettent la récupération de signaux
faibles dans des environnements bruyants dans une
approche d'apprentissage automatique. Malgré la petite taille
de l'échantillon, les fissures ont été détectées de manière
fiable grâce à des images CBCT haute résolution utilisant
des ondelettes orientables. Les auteurs ont proposé
que la validité de cette technique soit confirmée par des
méthodologies ex vivo et cliniques. Dans un ex vivo
1354 Aminoshariae et al.
Résultats
l'IA pourrait améliorer la fiabilité et permettre
à tout clinicien d'atteindre des précisions diagnostiques
similaires ou supérieures à celles des spécialistes
expérimentés.
L’expression des gènes a été analysée pour
différencier un kyste d’un granulome à l’aide
de l’IA.
radiculaires. La recherche dans ce domaine
est prometteuse et en cours.
L’IA pourrait être utile en complément pour aider les
cliniciens à déterminer la longueur de
travail.
L'algorithme développé par AI et
Il a été rapporté que l'analyse des informations
mesurait la courbure du canal radiculaire et sa
modification tridimensionnelle après
l'instrumentation.
La combinaison de méthodes a permis de prédire les
probabilités statistiques d’extraction.
de régénération et défis liés à une infection
microbienne.
Lors de l'expérience, Vicory et al43 ont simulé
des microfractures sur 22 dents, 14 dents étant conservées
comme groupe témoin négatif. En utilisant des ondelettes et
l’apprentissage automatique, les auteurs ont rapporté qu’une
image tomodensitométrique était plus précise que les
images CBCT pour détecter les dents fracturées. Les auteurs
ont rapporté que la valeur prédictive positive de l’apprentissage
automatique était supérieure à l’interprétation des
observateurs, mais qu’elle pouvait être améliorée. Les
auteurs ont déclaré que les recherches futures devraient
avoir un échantillon de plus grande taille.
Détermination de la longueur de travail La
détermination correcte de la longueur de travail est une
étape importante dans la réussite du traitement canalaire.
Diverses méthodes
utilisés pour la détermination de la longueur de travail
comprennent la radiographie, le sens tactile numérique, la
réponse du patient à un fichier ou une pointe de papier
insérée dans un système canalaire, des localisateurs
électroniques d'apex et l'imagerie CBCT44­47. En
général, la radiographie et les localisateurs électroniques
d'apex sont les méthodes les plus couramment utilisées.
régulièrement par les cliniciens du cabinet dentaire. En
radiographie numérique, la qualité des images joue un rôle
clé dans l’interprétation précise de la morphologie du système
canalaire48. Cependant, divers autres facteurs influencent
les interprétations radiographiques, ce qui pourrait
entraîner une
diagnostic erroné49. Il est donc nécessaire de développer des
méthodes informatiques permettant de déterminer
des longueurs de travail toujours précises. Saghiri et
al47 ont rapporté que les ANN peuvent être utilisés comme
deuxième avis pour localiser le foramen apical sur des
radiographies, ce qui peut à terme améliorer la précision
de la détermination de la longueur de travail. Dans une
autre étude, Saghiri et al50 ont étudié la précision de la
détermination de la longueur utile par un ANN dans un
modèle de cadavre humain afin d'imiter la situation clinique.
Ils n’ont trouvé aucune différence dans les mesures
de longueur des racines en comparant un ANN avec la
mesure réelle après extraction. Ils ont également rapporté que
l'ANN (96 %) était plus performant dans la
détermination des constrictions anatomiques mineures
par rapport à un endodontiste (76 %) utilisant des
radiographies périapicales. Par conséquent, un ANN peut être
considéré comme un
méthode de détermination de la longueur de travail.
Morphologie du système radiculaire et canalaire
La connaissance
des variations du système radiculaire et canalaire est un
facteur important qui influence le succès du traitement
canalaire non chirurgical. Généralement, les
radiographies périapicales et l'imagerie CBCT ont été
utilisées à cette fin. L’imagerie CBCT a démontré une plus
grande précision pour évaluer les configurations radiculaires
et canalaires par rapport aux radiographies. Cependant, en
raison de problèmes de rayonnement, elle ne
peut pas être recommandée dans la pratique clinique de
routine. Hiraiwa et al17 ont rapporté que le système
d'apprentissage profond sur les radiographies panoramiques
a démontré une grande précision dans le diagnostic
différentiel d'une ou de plusieurs racines dans les racines
distales des premières molaires mandibulaires. Des modèles
d'apprentissage ont été créés en extrayant des parcelles
d'images de radiographies panoramiques et en les
saisissant dans des systèmes d'apprentissage profond.
L'algorithme développé par l'IA et l'analyse des
informations a démontré la capacité de mesurer la courbure
du canal radiculaire et
sa modification tridimensionnelle après la
instruments51. Cependant, d'autres études sont nécessaires
pour confirmer les résultats de cette étude.
Lahoud et al52 ont rapporté une segmentation
dentaire tridimensionnelle automatisée en utilisant l'approche
CNN. Les auteurs ont évalué 433 segmentations
radiographiques CBCT de dents dans une référence clinique
rapide, précise et efficace et ont rapporté que l'IA fonctionnait
aussi bien qu'un opérateur humain, mais beaucoup plus
rapidement.
Dans une autre étude mais avec radiographie
panoramique, les auteurs ont combiné 2 CNN profonds et
un raffinement expert53. À l’aide de 153 radiographies
panoramiques, les auteurs ont rapporté que l’outil d’IA
présentait une sensibilité et une spécificité élevées ainsi
qu’une performance très rapide pour la détection et la
segmentation des dents.
JOE Volume 47, Numéro 9, Septembre 2021
Machine Translated by Google
Prédictions
Prédictions du retraitement Campo et al54
ont rapporté un paradigme de raisonnement basé sur
des cas pour prédire le résultat d'un retraitement canalaire non
chirurgical avec les risques et les avantages. Le système
indiquait essentiellement si l'on devait effectuer un retraitement
ou non. Le système comprenait des données provenant de
domaines tels que les performances, le rappel et les probabilités
statistiques. La force du système réside dans sa
capacité à prédire avec précision le résultat du retraitement. La
limite était
que le système serait aussi bon que les informations contenues
dans les données.
Le raisonnement basé sur des cas est le processus de
créer des solutions aux problèmes sur la base d’une
rencontre antérieure avec des problèmes passés similaires.
En récupérant des cas similaires, des informations
et des connaissances importantes peuvent être intégrées.
Le problème de la variabilité et de l’abondance des approches
différentes pourrait créer une hétérogénéité
dans ce système55. Il est important que les futurs articles
prennent en compte cette hétérogénéité de l’approche humaine
et augmentent peut­être la taille de l’échantillon pour
obtenir une meilleure sensibilité, spécificité et précision.
Prédire la viabilité des cellules souches
Bindal et al56 ont évalué les cellules souches dentaires
isolé de la pulpe dentaire dans diverses thérapies
régénératives utilisant le système d'inférence neuro­flou. Dans
un scénario clinique simulé, ce système a prédit le
résultat en testant la viabilité des cellules souches après un
traitement avec des lipopolysaccharides bactériens.
Le système d’inférence neuro­flou était un outil permettant de
prédire la viabilité cellulaire après divers protocoles de
régénération confrontés à une infection microbienne56. Les
auteurs ont mesuré la viabilité
JOE Volume 47, Numéro 9, Septembre 2021
des cellules souches de la pulpe dentaire endodontiste; Dans le domaine de la technologie
après un traitement aux lipopolysaccharides pour induire implantaire, la chirurgie dentaire assistée par robot peut
une réaction inflammatoire. Les auteurs ont ensuite aider le chirurgien à naviguer correctement lors de la
analysé le niveau de précision des résultats en utilisant des pose de l'implant57.
interférences neuro­floues adaptatives pour prédire la
On s'attendrait à ce que la même chose
viabilité cellulaire de ces cellules souches après une invasion
Le système aiderait les endodontistes dans la
microbienne.
navigation en chirurgie endodontique. Les auteurs ont rapporté
que les écarts moyens de la pose robotique de l'implant
Lacunes en IA et en endodontie étaient aussi précis que les navigations statiques et dynamiques,
Traitement mais à ce jour, aucune étude de cohorte comparative n'a
A ce jour, il n'y a pas été réalisée comparant la technologie robotique à la chirurgie
ou au traitement endodontique traditionnel.
1. Technologie de programmation au rendez­vous
planification, gestion des patients et rappel ; Comme les
Les études futures devraient comparer les différentes
décisions en matière de planification, de rendez­vous,
techniques en termes de précision et de sécurité avec
de délégation et de rappel sont constamment
un placement guidé par robot.
mises à jour pour répondre aux demandes du système de
santé, l'IA peut planifier les traitements des
patients en fonction des besoins continus.
et acquis des informations médicales. CONCLUSION
2. Procédure pour informer le clinicien
En endodontie, l’IA pourrait faciliter les applications
interactions médicamenteuses et/ou ajustements cliniques, en particulier dans la détection de pathologies
du traitement en fonction du dossier de santé périapicales, de fractures radiculaires, la
électronique disponible ; À mesure que la population détermination de la longueur utile et la prédiction
augmente et que de plus en plus de personnes vivent plus de la maladie. Il est nécessaire de disposer de données
longtemps, elles prennent davantage de médicaments. probantes de haute qualité pour évaluer les performances de
Si les dossiers de santé peuvent être mis à disposition,
l’IA en termes de fiabilité, d’applicabilité, de considérations
l’IA pourrait potentiellement prédire les complications juridiques et éthiques et de rentabilité avant son
médicamenteuses spécifiques aux patients. adoption généralisée dans la pratique clinique de routine.
3. Procédure pour fournir une information précise
diagnostic endodontique basé sur des résultats
médicaux, dentaires et cliniques ; sur la base des
informations acquises et de la collecte de données, l’IA
REMERCIEMENTS
serait en mesure d’améliorer le diagnostic et la
stadification et de prédire les résultats. Cela inclurait Les auteurs tiennent à remercier le Dr David
la prédiction des résultats ou la détermination Wilson, professeur de génie biomédical au CWRU pour sa
pronostique du risque. contribution inestimable à ce manuscrit. Les auteurs
4. Traitement microchirurgical physique et nient tout conflit d’intérêt lié à cette étude.
robotique précis à la disposition du
LES RÉFÉRENCES
1. Député Amisha, Pathania M, Rathaur VK. Aperçu de l'intelligence artificielle en médecine. J Family Med Prim Care
2019 ; 8 : 2328­31.
2. Shan T, Tay FR, Gu L. Application de l'intelligence artificielle en dentisterie. J Dent Res 2021 ; 100 : 232­44.
3. Murphy M, Killen C, Burnham R et al. L’intelligence artificielle identifie avec précision les implants d’arthroplastie totale
de hanche : un outil pour la chirurgie de révision. Hip Int 2021, 8 janvier. https://doi.org/10.1177/11207000209
87526 [Epub avant impression].
4. Hamet P, Tremblay J. L'intelligence artificielle en médecine. Métabolisme 2017 ; 69 : S36­40.
5. Huang S, Yang J, Fong S, Zhao Q. Intelligence artificielle dans le diagnostic et le pronostic du cancer :
opportunités et défis. Cancer Lett 2020 ; 471 : 61­71.
6. Gao L, Jiao T, Feng Q, Wang W. Application de l'intelligence artificielle au diagnostic de l'ostéoporose à l'aide
d'images médicales : une revue systématique et une méta­analyse. Ostéoporos Int 2021 ; 32 : 1279­86.
7. Samorani M, Blount LG. Machine learning et prise de rendez­vous médicaux : créer et perpétuer des inégalités
d’accès aux soins. Am J Santé publique 2020 ; 110 : 440­1.
Application actuelle de l'IA en endodontie 1355
Machine Translated by Google

8. Romm EL, Tsigelny IF. L'intelligence artificielle dans le traitement de la toxicomanie. Ann Rev Pharmacol Toxicol
2020 ;60 : 353­69.

9. Shtar G, Rokach L, Shapira B. Détection des interactions médicamenteuses à l'aide de réseaux de neurones artificiels
et de mesures classiques de similarité graphique. PLoS One 2019;14 :e0219796.

10. Bhandari M, Zeffiro T, Reddiboina M. Intelligence artificielle et chirurgie robotique : perspectives actuelles et
orientations futures. Curr Opin Urol 2020 ; 30 : 48­54.

11. Moyle W, Arnautovska U, Ownsworth T, Jones C. Potentiel des robots de téléprésence pour améliorer les liens sociaux
chez les personnes âgées atteintes de démence : un examen intégratif de la faisabilité. Int Psychogeriatr
2017 ; 29 : 1951­64.

12. Barry DT. Adaptation, intelligence artificielle, médecine physique et réadaptation. PM R 2018 ; 10 : S131–43.

13. Abdi J, Al­Hindawi A, Ng T, député de Vizcaychipi. Examen de la portée de l'utilisation d'un robot d'assistance sociale
technologie dans les soins aux personnes âgées. BMJ Ouvert 2018;8:e018815.

14. Langley P, Laird JE. Intelligence artificielle et systèmes intelligents. Ann Arbor 2006;1001. 48109­2121.

15. Ramesh AN, Kambhampati C, Monson JR, Drew PJ. L'intelligence artificielle en médecine. Ann R Coll Surg Engl
2004 ; 86 : 334–8.

16. LeCun Y, Bengio Y, Hinton G. Apprentissage profond. Nature 2015 ; 521 : 436­44.

17. Hiraiwa T, Ariji Y, Fukuda M et al. Un système d'intelligence artificielle d'apprentissage profond pour l'évaluation de la
morphologie radiculaire de la première molaire mandibulaire sur radiographie panoramique. Dentomaxillofac Radiol
2019;48:20180218.

18. Schwendicke F, Golla T, Dreher M, Krois J. Réseaux de neurones convolutifs pour le diagnostic d'images
dentaires : une revue de la portée. J Dent 2019;91:103226.

19. Nebeker C, Torous J, Bartlett Ellis RJ. Plaider en faveur d’une éthique concrète dans la recherche en santé
numérique soutenue par l’intelligence artificielle. BMC Med 2019;17:137.

20. Schwendicke F, Samek W, Krois J. Intelligence artificielle en dentisterie : chances et défis. J Dent Res 2020 ;99 : 769­74.

21. Ilhan B, Lin K, Guneri P, Wilder­Smith P. Améliorer les résultats du cancer de la bouche grâce à l'imagerie et
intelligence artificielle. J Dent Res 2020 ;99 : 241–8.

22. Heo MS, Kim JE, Hwang JJ et al. L'intelligence artificielle en radiologie buccale et maxillo­faciale : qu'est­ce que c'est ?
actuellement possible ? Dentomaxillofac Radiol 2021;50:20200375.

23. Prados­Privado M, García Villalon J, Martínez­Martínez CH, et al. Diagnostic et détection des caries dentaires à l'aide
de réseaux neuronaux : une revue systématique. J Clin Med 2020;9:3579.

24. Mahmood H, Shaban M, Indave BI et al. Utilisation de l'intelligence artificielle dans le diagnostic des lésions
précancéreuses et cancéreuses de la tête et du cou : une revue systématique. Oncol oral 2020 ; 110 : 104885.

25. Grischke J, Johannsmeier L, Eich L et al. Dentronique : vers la robotique et l'intelligence artificielle
en dentisterie. Dent Mater 2020 ; 36 : 765­78.

26. Becconsall­Ryan K, Tong D, Love RM. Lésions inflammatoires radiotransparentes de la mâchoire : une analyse
sur vingt ans . Int Endod J 2010 ; 43 : 859­65.

27. Setzer FC, Shi KJ, Zhang Z et al. Intelligence artificielle pour la détection assistée par ordinateur
lésions périapicales dans les images tomodensitométriques à faisceau conique. J Endod 2020 ; 46 : 987­93.

28. Chapman MN, Nadgir RN, Akman AS et al. Clairement périapicale autour de la dent : radiologique
évaluation et diagnostic différentiel. Radiographies 2013 ; 33 : E15­32.

29. Patel S, Dawood A, Whaites E, Pitt Ford T. Nouvelles dimensions de l'imagerie endodontique : partie 1.
Systèmes radiographiques conventionnels et alternatifs. Int Endod J 2009 ; 42 : 447­62.

30. Leonardi Dutra K, Haas L, Porporatti AL et al. Précision diagnostique de la tomodensitométrie à faisceau conique et
de la radiographie conventionnelle sur la parodontite apicale : une revue systématique et une méta­analyse. J
Endod 2016 ; 42 : 356­64.

31. Kruse C, Spin­Neto R, Evar Kraft DC et al. Précision diagnostique du faisceau conique calculée
tomographie utilisée pour l'évaluation de la parodontite apicale : une étude histopathologique ex vivo sur des
cadavres humains. Int Endod J 2019 ; 52 : 439­50.

32. Endres MG, Hillen F, Salloumis M et al. Développement d'un algorithme d'apprentissage profond pour la détection des
maladies périapicales dans les radiographies dentaires. Diagnostic (Bâle) 2020;10:430.

33. Pauwels R, Brasil DM, Yamasaki MC et al. Intelligence artificielle pour la détection des lésions périapicales sur les
radiographies intra­orales : comparaison entre réseaux de neurones convolutifs et observateurs humains.
Oral Surg Oral Med Oral Pathol Oral Radiol 2021;131:610–6.

1356 Aminoshariae et al. JOE Volume 47, Numéro 9, Septembre 2021

Machine Translated by Google

34. Ekert T, Krois J, Meinhold L et al. Deep learning pour la détection radiographique des lésions apicales. J.
Endod 2019 ; 45 : 917­922.e5.

35. Orhan K, Bayrakdar IS, Ezhov M et al. Évaluation de l'intelligence artificielle pour la détection périapicale
pathosis sur les tomodensitométries à faisceau conique. Int Endod J 2020 ; 53 : 680–9.

36. Poswar Fde O, Farias LC, Fraga CA et al. Bioinformatique, analyse des réseaux d'interactions et réseaux de neurones
pour caractériser l'expression génique du kyste radiculaire et du granulome périapical. J Endod 2015 ; 41 : 877­83.

37. Zheng Z, Yan H, Setzer FC et al. Apprentissage profond anatomiquement contraint pour automatiser la segmentation
CBCT dentaire et la détection des lésions. IEEE Trans Autom Sci Eng 2021 ; 18 : 603­14.

38. Fuss Z, Lustig J, Katz A, Tamse A. Une évaluation des racines fracturées verticales traitées par endodontie
dents : impact des procédures opératoires. J Endod 2001 ; 27 : 46­8.

39. Talwar S, Utneja S, Nawal RR et al. Rôle de la tomodensitométrie à faisceau conique dans le diagnostic des fractures
verticales des racines : une revue systématique et une méta­analyse. J Endod 2016 ; 42 : 12­24.

40. Fukuda M, Inamoto K, Shibata N et al. Évaluation d'un système d'intelligence artificielle pour la détection de fractures
radiculaires verticales par radiographie panoramique. Radiol oral 2020 ; 36 : 337­43.

41. Johari M, Esmaeili F, Andalib A et al. Détection des fractures radiculaires verticales chez les sujets intacts et
Dents prémolaires traitées endodontiquement en concevant un réseau neuronal probabiliste : une étude ex vivo .
Dentomaxillofac Radiol 2017;46:20160107.

42. Shah H, Hernandez P, Budin F et al. Cadre de quantification automatique pour détecter les fissures dans les dents.
Proc SPIE Int Soc Opt Eng 2018;10578:105781K.

43. Vicory J, Chandradevan R, Hernandez­Cerdan P et al. Détection des microfractures dentaires à l'aide
fonctionnalités d’ondelettes et apprentissage automatique. Dans : Isgum I, Landman BA, éditeurs. Imagerie médicale
2021 : traitement d'images. Washington, DC : Société internationale d'optique et de photonique ; 2021.
115961R.

44. Seidberg BH, Alibrandi BV, Fine H, Logue B. Investigation clinique de la mesure des longueurs de travail de
canaux radiculaires avec un appareil électronique et avec un sens numérique­tactile. J Am Dent Assoc
1975 ; 90 : 379­87.
€

45. Connert T, Hulber JM, Godt A et al. Précision de la détermination de la longueur de travail endodontique à l'aide
tomodensitométrie à faisceau conique. Int Endod J 2014 ; 47 : 698­703.
~ ~
46. Serna­Pena G, Gomes­Azevedo S, Flores­Trevi no J, et al. Évaluation in vivo de 3 localisateurs
électroniques d'apex : Root ZX Mini, Apex ID et Propex Pixi. J Endod 2020 ; 46 : 158­61.

47. Saghiri MA, Asgar K, Boukani KK et al. Une nouvelle approche pour localiser le foramen apical mineur
en utilisant un réseau de neurones artificiels. Int Endod J 2012 ; 45 : 257­65.

48. Petersson A, Axelsson S, Davidson T et al. Diagnostic radiologique des lésions du tissu osseux périapical en
endodontie : une revue systématique. Int Endod J 2012 ; 45 : 783­801.

49. Tewary S, Luzzo J, Hartwell G. Radiographie endodontique : qui lit la radiographie numérique ? J Endod 2011 ; 37 : 919­21.

50. Saghiri MA, Garcia­Godoy F, Gutmann JL et al. La fiabilité du réseau de neurones artificiels dans la localisation
foramen apical mineur : une étude cadavérique. J Endod 2012 ; 38 : 1130–4.

51. Christodoulou A, Mikrogeorgis G, Vouzara T, et al. Une nouvelle méthodologie pour la mesure de la courbure canalaire
et sa modification 3D après instrumentation. Acta Odontol Scand
2018 ;76 : 488­92.

52. Lahoud P, EzEldeen M, Beznik T et al. Intelligence artificielle pour une 3D rapide et précise
segmentation dentaire par tomodensitométrie à faisceau conique. J Endod 2021 ; 47 : 827­35.

53. Leite AF, Gerven AV, Willems H et al. Nouvel outil basé sur l’intelligence artificielle pour la détection et la segmentation
des dents sur les radiographies panoramiques. Clin Oral Investig 2021 ; 25 : 2257­67.

54. Campo L, Aliaga IJ, De Paz JF et al. Prédictions de retraitement en odontologie au moyen du CBR
systèmes. Calcul Intell Neurosci 2016 ; 2016 : 7485250.

55. Gu D, Liang C, Zhao H. Un système de raisonnement basé sur des cas basé sur une métrique de distance à valeurs
hétérogènes pondérées pour le diagnostic du cancer du sein. Artif Intell Med 2017 ; 77 : 31­47.

56. Bindal P, Bindal U, Lin CW et al. Méthode neuro­flou pour prédire la viabilité des cellules souches traitées dans
différentes conditions de concentration temporelle. Soins de santé technologiques 2017 ; 25 : 1041­51.

57. Bolding SL, Reebye UN. Précision du guidage robotique haptique de la chirurgie implantaire dentaire pour les arcades
complètement édentées. J Prosthet Dent 4 mars 2021. https://doi.org/10.1016/j.prosdent.2020.12.048.

JOE Volume 47, Numéro 9, Septembre 2021 Application actuelle de l'IA en endodontie 1357