Editoriales Orthodontic Science and Practice – Edición 63

Prof. Dr. Alexandre Moro
Director cientifico


Inteligencia artificial y ortodoncia: ya la utiliza mucho y puede que ni siquiera se dé cuenta.

La historia de la Inteligencia Artificial (IA) moderna contiene todos los elementos de un gran drama. Comenzando en los años 50, con la atención puesta en las máquinas pensantes y personajes interesantes como Alan Turing, John von Neumann, McCulloch, Pitts y Rosemblatt, la IA inició su primer ascenso. Siguieron décadas de altibajos y expectativas imposiblemente altas, pero la IA y sus pioneros siguieron adelante. En 2012, en el importante reto de reconocimiento de imágenes ImageNet, vimos por primera vez el uso de GPUS (tarjetas gráficas de alto rendimiento) en la implementación de una red de aprendizaje profundo, propuesta ganadora de Krizhevsky, Sutskever y Hinton.

Aunque todavía estamos ante casos de Inteligencia Artificial Restringida, especializada en una aplicación concreta, sin la potencia de la Inteligencia Artificial General, la IA está exponiendo ahora una parte importante de su verdadero potencial, resolviendo problemas difíciles y proporcionando tecnologías muy avanzadas².

La tecnología de IA también ha transformado rápidamente la odontología, y especialmente la ortodoncia. Ha traído consigo una serie de ventajas, como alternativas de tratamiento, refinamientos de precisión, rapidez y un aumento potencial de la eficacia del tratamiento mediante la simplificación y optimización de los procesos. Incluso el “nuevo” tratamiento de ortodoncia con alineadores transparentes ha incorporado algoritmos de IA de última generación para crear estrategias de tratamiento exactas en su software. Con estos avances, los ortodoncistas pueden ofrecer una mejor atención al paciente utilizando tecnología de IA de última generación.

Antes de seguir adelante, es necesario definir algunos de los términos utilizados en el tema.

Inteligencia Artificial (IA): es una rama de la informática cuyo objetivo es comprender y construir las denominadas entidades inteligentes, a menudo instanciadas como programas informáticos. Con la posibilidad de entrenar un programa informático para que alcance capacidades altamente inteligentes, la IA ha empezado a surgir en el ámbito sanitario. En la actualidad, se utiliza más una rama de la IA denominada aprendizaje automático.

Algoritmo: es una secuencia finita de instrucciones o comandos que se ejecutan de forma sistemática para resolver un problema o realizar una tarea. La palabra “algoritmo” hace referencia al matemático árabe Al Khwarizmi, que vivió en el siglo IX y describió reglas para ecuaciones matemáticas.

Machine Learning ML: es una rama de la IA en la que, a partir de un modelo de decisión establecido, los sistemas aprenden a realizar tareas inteligentes sin conocer a priori los parámetros del modelo. En su lugar, los sistemas identifican patrones en ejemplos de un gran conjunto de datos, sin ayuda humana. Esto se consigue definiendo un objetivo y optimizando las funciones ajustables del sistema para alcanzarlo. En este proceso, conocido como entrenamiento, un algoritmo de ML adquiere experiencia a través de la exposición a ejemplos aleatorios y ajustes graduales de los “sintonizables” hacia la respuesta correcta.

Deep Learning DL es un método de ML que aprende tanto el modelo como los parámetros del modelo a partir de los datos de entrenamiento. Con un modelo entrenado, un sistema DL recibe una entrada X y la utiliza para predecir una salida Y². Por ejemplo, dados los precios de las acciones del año pasado como entrada, mi algoritmo DL intentará predecir el precio de las acciones del día siguiente. Las implicaciones de DL son demenciales. Síntesis de vídeo, coches autónomos, inteligencia artificial para juegos a nivel humano y mucho más. DL no es un algoritmo en sí mismo, sino una familia de algoritmos que implementan redes profundas con un aprendizaje que puede ser supervisado, no supervisado o basado en el refuerzo. Estas redes son tan profundas que se necesitan nuevos métodos informáticos para construirlas, así como clústeres de alto rendimiento para el entrenamiento². Los algoritmos de DL utilizan una red neuronal para encontrar asociaciones entre un conjunto de entradas y salidas. Una red neuronal se compone de capas de entrada, muchas capas ocultas y unas pocas capas de salida, todas ellas formadas por “nodos”. Las capas de entrada reciben una representación numérica de los datos (por ejemplo, imágenes con especificaciones de píxeles), las capas de salida generan predicciones, mientras que las capas ocultas se correlacionan con el grueso del cálculo, generando atención, identificación de rasgos y representaciones latentes.

En los últimos años se han publicado muchos artículos sobre IA y ortodoncia. Las revisiones científicas4-6 que cartografían la aplicación clínica de la IA en ortodoncia muestran un aumento significativo desde 2020, reconociendo el potencial para ayudar a evaluar el tratamiento de diversas maneras. Esto se ha visto acelerado por la pandemia mundial y los avances tecnológicos en IA, posibles gracias a la disponibilidad de hardware de alto rendimiento. En 2022, los algoritmos de IA se utilizaron para analizar e interpretar imágenes digitales y datos de diagnóstico, como radiografías panorámicas, fotografías y exámenes de imágenes tridimensionales (3D), como la tomografía computarizada de haz cónico (CBCT), los modelos dentales digitales y la fotogrametría 3D, así como para identificar problemas y predecir el curso, el resultado o la estabilidad del tratamiento. La IA también se ha utilizado ampliamente para supervisar a los pacientes durante el tratamiento, tanto con alineadores como con aparatos fijos, y proporcionar información y alertas en tiempo real para garantizar que el tratamiento se desarrolla según lo previsto¹. Los sistemas basados en IA y su aplicación ya se están abriendo camino en los planes de estudio universitarios de ortodoncia.

Además, la IA puede utilizarse para ayudar a los ortodoncistas a seguir y analizar los datos de los pacientes a lo largo del tiempo, lo que les permite identificar tendencias y patrones que pueden ser útiles para predecir los resultados del tratamiento y optimizar los planes de tratamiento. Esto ya está cambiando el flujo de trabajo en las clínicas de ortodoncia y alterando el intervalo entre citas. También será especialmente útil para pacientes con casos complejos o difíciles, en los que los métodos de evaluación tradicionales pueden no ser suficientes.

¿Y qué podemos esperar de la IA en el futuro?

Proporcionará un proceso de tratamiento aún más rápido y eficaz y pondrá los tratamientos de ortodoncia al alcance de un mayor número de pacientes. Permitirá a los pacientes visualizar su futuro tratamiento utilizando las herramientas de las que ya disponemos hoy en día, que se irán mejorando. Todo ello redundará en una mejor experiencia del paciente, desde la primera conversación con el ortodoncista hasta el seguimiento posterior al tratamiento. También podemos esperar planes de tratamiento mejores y más rápidos, basados en bases de datos de casos tratados previamente, lo que puede ahorrar tiempo de planificación y tratamiento al ortodoncista. Sin duda, los recursos de planificación de tratamientos basados en IA facilitarán mucho este proceso.

Es poco probable que la Inteligencia Artificial sustituya el trabajo del ortodoncista. Sin embargo, es esencial que los ortodoncistas clínicos aprendan a utilizar las herramientas de IA para mejorar su análisis de las interrelaciones entre la dentición, el esqueleto craneofacial y los tejidos blandos en las tres dimensiones, en lugar de confiar ciegamente en soluciones automatizadas para realizar análisis más rápidos. Es probable que estas evaluaciones clínicas de la IA favorezcan un mejor diagnóstico ortodóncico, la planificación del tratamiento, la evaluación del crecimiento y el desarrollo, la evaluación del progreso y los resultados del tratamiento, la fase de retención y el seguimiento a largo plazo. En otras palabras, la IA puede ayudar a los ortodoncistas a rendir a un nivel superior proporcionando soluciones óptimas, incluida la programación y reprogramación de las citas de los pacientes. La Inteligencia Artificial, el Aprendizaje Automático, las Redes Neuronales Artificiales y el Aprendizaje Profundo tienen como objetivo proporcionar soluciones basadas en la experiencia pasada para que las aplicaciones clínicas sean cada vez mejores.

Referencias

1. Grillo A. Braces and dentalmonitoring: expanding the platform to all your cases. En: Orthodontic products podcast; 2023 sep. Michigan, 2023. Disponible en: https://orthodonticproductsonline.com/resource-center/podcasts/braces-dentalmonitoring-expanding-platform-all-your-cases/.
2. Jones MT. A beginner’s guide to artificial intelligence and machine learning. En: IBM developer; 2017 jun. 1 – 12; New York, New York; 2017. Disponible en: https://developer.ibm.com/learningpaths/get-started-artificial-intelligence/ai-basics/ai-beginners-guide/.
3. Kunz F, Stellzig-Eisenhauer A, Boldt J. Aplicaciones de la inteligencia artificial en ortodoncia: una visión general y una perspectiva basada en el estado actual de la técnica. Applied Sciences. 2023; 13(6):3850.
4. Liang J. Introducción al aprendizaje profundo. En: Hacia la ciencia de datos, 2018, oct. 1- 5. Toronto, Ontario. Disponible en: https://towardsdatascience.com/an-introduction-to-deep-learning-af63448c122c.
5. Miranda F, Barone S, Gillot M, Baquero B, Anchling L, Hutin N et al. Aplicaciones de inteligencia artificial en ortodoncia. Revista de la Asociación Dental de California. 2023;51(1):2195585.
6. Strunga M, Urban R, Surovková J, Thurzo A. Artificial Intelligence Systems Assisting in the Assessment of the Course and Retention of Orthodontic Treatment. Healthcare (Basilea). 2023;11(5):683.

Prof. Dr. Alexandre Moro
Profesor Titular de Ortodoncia – UFPR.
Profesor de los Programas de Maestría y Doctorado en Odontología Clínica – Universidad Positivo Curitiba/PR.
Director Científico de la Revista Ortho Science.

Eduardo Todt
Máster en Informática por la Universidad Federal de Rio Grande do Sul y Doctor en Automática y Robótica Avanzada – Universidad Politécnica de Cataluña (IRI-UPC).
Profesor Asociado del Departamento de Informática – UFPR, Coordinador del curso de Informática de 2010 a 2014, Vicecoordinador del curso de Informática Biomédica.
Miembro de los grupos de investigación C3SL (Centro de Computación Científica y Software Libre), VRI (Visión, Robótica e Imagen) – UFPR.

Abrir conversa
Precisa de ajuda?