Inteligência artificial na leitura de radiografias panorâmicas: aplicações, desempenho e limites clínicos

A radiografia panorâmica oferece uma visão ampla dos arcos dentários e das estruturas maxilomandibulares em uma única aquisição. Essa amplitude convive com sobreposição, distorção e variações de qualidade. A inteligência artificial (IA), sobretudo por meio de modelos de deep learning, vem sendo estudada para localizar achados, classificar alterações e sinalizar regiões para revisão [1,7].

A pergunta clinicamente útil não é se a IA “lê” a panorâmica como uma pessoa, mas qual tarefa delimitada ela executa, em qual população, com quais imagens e com que desempenho. A literatura disponível mostra potencial em problemas específicos, mas não sustenta uma leitura geral autônoma nem a substituição do julgamento clínico [1,2].

Onde a IA é estudada

As aplicações investigadas são estreitas e orientadas por tarefa: detecção de dentes e estruturas anatômicas, identificação de terceiros molares, classificação de cárie em regiões definidas, avaliação de perda óssea em radiografias 2D e localização/classificação da relação entre canal mandibular e terceiro molar [1,3-6]. A saída pode incluir caixas, máscaras, rótulos ou probabilidades; cada formato precisa ser interpretado no contexto clínico e radiográfico.

Um estudo preliminar descreveu uma estrutura de IA para diagnosticar múltiplas doenças dentárias em radiografias panorâmicas [2]. Isso ilustra uma direção multipatologia investigacional, mas não significa que um único modelo tenha desempenho confiável para todos os diagnósticos: tarefas diferentes exigem rótulos, prevalências, limiares e validações próprios.

Na cárie, há estudo que usou 400 recortes de radiografias panorâmicas de terceiros molares para treinar uma rede neural convolucional [4]. O achado é relevante como prova de conceito para uma tarefa anatômica definida. Ele não permite extrapolar desempenho para a panorâmica inteira, para todas as superfícies ou para todos os estágios de lesão; a indicação de outra modalidade deve seguir a pergunta clínica e as normas do serviço.

Na cirurgia de terceiros molares, modelos foram desenvolvidos para detectar o terceiro molar inferior, localizar o canal mandibular e classificar sua relação anatômica em panorâmicas [5]. Essa tarefa pode apoiar triagem e comunicação de risco, mas a proximidade aparente em duas dimensões não deve ser convertida automaticamente em conclusão tridimensional ou indicação operatória.

Para periodonto, revisões e estudos em radiografias odontológicas 2D investigam a detecção de perda óssea e periodontite [6]. Essa é evidência contextual, não específica apenas de panorâmicas. Na prática, qualquer sinal deve ser confrontado com qualidade da imagem, região examinada, sondagem, sinais clínicos e histórico do paciente.

Como interpretar o desempenho diagnóstico

Sensibilidade responde a quantos casos foram sinalizados; especificidade, a quantos não casos foram corretamente excluídos. Acurácia pode ser enganosa quando a condição é incomum. AUC resume a discriminação em vários limiares, enquanto os valores preditivos dependem também da prevalência. Por isso, um número publicado não deve ser transferido diretamente para o consultório [1,6,7].

Antes de adotar uma ferramenta, verifique se houve teste externo, se a população se aproxima dos seus pacientes, se imagens de equipamentos diferentes foram incluídas e como os rótulos de referência foram definidos. Também é importante saber se a avaliação foi feita por paciente, evitando que imagens do mesmo indivíduo apareçam no treino e no teste.

A revisão de aplicações em radiografias panorâmicas identificou potencial, mas também uma base de estudos heterogênea [1]. A revisão mais ampla em radiologia dentomaxilofacial investigou aplicações e desempenho em tarefas diversas [7]. Nesta execução, foram consultados registros e resumos disponíveis no PubMed; os textos integrais não foram verificados. Não foram extraídos números de sensibilidade, especificidade, AUC ou acurácia para comparar os estudos. Desempenho de desenvolvimento, portanto, não equivale a benefício clínico demonstrado.

Benefícios possíveis no fluxo de trabalho

Quando validada para a tarefa e o serviço, a IA pode funcionar como segunda leitura, priorizar exames para revisão, padronizar medições repetitivas e oferecer uma marcação visual para conferência. O possível ganho é consistência e atenção dirigida, não uma autorização para reduzir a análise sem compreender a saída. O benefício precisa ser medido no fluxo real, incluindo achados perdidos, falsos positivos, encaminhamentos e impacto na decisão.

Uma marcação também pode ajudar a discutir uma região com o paciente ou com a equipe. Interfaces com probabilidade, cores ou caixas, porém, podem induzir excesso de confiança. A visualização é uma explicação operacional do modelo, não prova independente de que exista uma lesão.

Limitações, riscos e responsabilidade profissional

O desempenho pode variar quando a imagem, o equipamento, o processamento ou a população diferem do conjunto usado no desenvolvimento. Qualquer ferramenta deve informar seu escopo e seus critérios de qualidade. Resultado negativo não exclui doença quando a imagem é inadequada ou quando o caso está fora da população e da tarefa validadas.

O cirurgião-dentista continua responsável por avaliar a indicação e a qualidade do exame, interpretar a imagem com história e exame clínico, decidir sobre exames complementares e comunicar diagnóstico e plano ao paciente. A IA pode ser apoio, não justificativa única para diagnóstico, tratamento ou não encaminhamento. Em relações anatômicas de maior risco, a necessidade de imagem tridimensional deve ser decidida pela pergunta clínica, não por uma marcação automática [5].

Como requisitos de adoção responsável, o serviço deve definir quem revisa alertas, como registra discordâncias e quais critérios suspendem o uso quando a qualidade cai. Privacidade, governança de dados, versão do modelo e monitoramento são aspectos prudenciais de implementação que exigem políticas institucionais próprias; não foram avaliados empiricamente pelos estudos citados.

Um roteiro prático para adoção

1. Defina a pergunta clínica e a tarefa que a ferramenta pretende apoiar. 2. Confirme modalidade, qualidade mínima e indicações de uso. 3. Leia a validação externa e identifique população, equipamento, referência e métricas. 4. Faça piloto com dupla conferência humana. 5. Compare resultados antes e depois, incluindo falsos positivos e negativos. 6. Documente a decisão final e reavalie o desempenho quando o fluxo ou o modelo mudar.

Perspectivas futuras

Uma perspectiva plausível é a evolução de modelos que apenas classificam imagens para sistemas capazes de combinar imagem e contexto clínico sob supervisão profissional. Essa é uma direção de desenvolvimento, não um benefício demonstrado pelas fontes consultadas. Para ser útil, exigirá bases representativas, testes externos e prospectivos, padrões de relato, explicitação de incerteza e estudos de desfechos do paciente, além de métricas de laboratório [1,6].

A perspectiva mais realista é a de colaboração: a IA executa tarefas delimitadas, enquanto o cirurgião-dentista define a pergunta, reconhece exceções, integra evidências e assume a decisão. A tecnologia amadurece quando aumenta a qualidade do cuidado sem diminuir a responsabilidade profissional.

Conclusão

A IA tem aplicações promissoras na leitura de radiografias panorâmicas, especialmente em detecção e classificação de tarefas específicas. A evidência é heterogênea e não autoriza apresentar a ferramenta como leitor autônomo. Para o consultório, a adoção responsável depende de escopo claro, validação externa e local, revisão humana, documentação e integração com exame clínico e outras imagens quando indicadas.