La integración de la detección asistida por inteligencia artificial para la enfermedad periodontal mediante radiografías panorámicas puede, en un futuro cercano, convertirse en una herramienta de diagnóstico importante para la detección dental de rutina.
La detección de la enfermedad periodontal en radiografías panorámicas dentales puede ser un desafío clínico, pero a menudo es necesaria para la detección. Este estudio presenta un nuevo algoritmo de aprendizaje no supervisado de pocos disparos que emplea una arquitectura UNet para la extracción de la región de interés y un autocodificador variacional convolucional para la extracción de características. Al agrupar las características extraídas, el método supera el problema de la escasez de datos, mejorando significativamente la precisión del diagnóstico.
El análisis comparativo mostró que el modelo propuesto superó a los modelos supervisados de última generación, incluidos los transformadores de visión, logrando hasta un 14% más de precisión cuando se entrenó con solo 100 imágenes etiquetadas. Sin embargo, aunque el método de aprendizaje no supervisado parece prometedor, la dependencia del estudio de un pequeño conjunto de datos y su validación con solo tres conjuntos de datos del mundo real limita su generalización y aumenta el riesgo de sobreajuste en modelos más profundos.