Avaliação da posição do canal mandibular em relação ao terceiro molar inferior utilizando deep learning em radiografias panorâmicas

Abstract

Introdução: A extração dos terceiros molares inferiores está entre os procedimentos mais realizados na cirurgia oral e envolve risco de lesão ao nervo alveolar inferior (NAI) em casos de proximidade anatômica. Embora a radiografia panorâmica (RP) seja o exame de triagem padrão, sua natureza bidimensional limita o diagnóstico, frequentemente exigindo a tomografia computadorizada de feixe cônico (TCFC). Nesse contexto, a inteligência artificial, especialmente o deep learning, tem se destacado pela capacidade de analisar imagens odontológicas com desempenho comparável ao de especialistas. Este estudo avaliou o desempenho de um modelo de deep learning na identificação da relação entre 3M e NAI em RPs. Metodologia: Estudo retrospectivo unicêntrico (2020–2025) analisando 182 relações anatômicas em RP provenientes da clínica escola da Universidade Christus. A TCFC foi utilizada como padrão-ouro para classificação de presença de contato. Imagens de RP foram processadas em regiões de interesse (ROI) e submetidas à arquitetura ConvNeXt-Small via transfer learning, utilizando divisão estratificada (70–75% treinamento, 10–15% validação, 15–20% teste), validação cruzada K-fold (k=5) e data augmentation. O desempenho foi avaliado por acurácia, sensibilidade, especificidade, F1-score, área sob a curva ROC (AUC) e análise de decisão clínica. Resultados: A concordância interavaliadores para o padrão-ouro foi alta (k= 0,81; p < 0,001). O modelo apresentou desempenho elevado, com acurácia média de 90,56% (±0,05), sensibilidade de 91,79% (±0,05), precisão de 91,13% (±0,07) e F1-score de 91,26% (±0,05) e especificidade de 89,08% (±0,10). A capacidade discriminativa foi excelente (AUC = 0,9773 ± 0,01), confirmada por bootstrapping. A DCA indicou benefício clínico líquido positivo, com potencial redução de solicitações desnecessárias de TCFC. Conclusão: O modelo demonstrou ser uma ferramenta válida e estável para a classificação automática da relação entre o 3M e o canal mandibular em radiografias panorâmicas, com potencial aplicação como método de triagem, contribuindo para decisões clínicas mais seguras e redução de custos e exposição radiológica.