20 Juin 2024

---

L'intelligence artificielle dans le diagnostic de la gingivite

---

La maladie parodontale est une maladie inflammatoire chronique qui affecte le parodonte. Elle est classée en gingivite et parodontite avec des dommages tissulaires réversibles et irréversibles. L'Organisation Mondiale de la Santé estime à plus de 50% la prévalence des maladies parodontales dans le monde, avec près d'un tiers de cas graves, définis par une perte d'attache clinique supérieure à 5mm et une perte osseuse supérieure à 30 %.  

La maladie parodontale est causée par l'accumulation de plaque ou de biofilm le long de la ligne gingivale, qui entraîne une inflammation localisée de la gencive et une réponse continue de l'hôte. Il est difficile de maintenir un contrôle satisfaisant de la plaque par les patients sans la supervision continue d'un hygiéniste professionnel ou d'un dentiste. L'intelligence artificielle peut être utilisée pour obtenir un contrôle visuel et des conseils automatisés en continu, grâce à l’utilisation de photographies intra-orales.     

Il existe actuellement plusieurs architectures de réseau utilisées pour détecter la gingivite par le biais de photographies intra-orales, avec une précision allant de 0,47 à 0,83, 1,00 étant la valeur de précision maximale. La précision de tout système de diagnostic à usage clinique doit être aussi élevée que possible, et la précision doit être d'au moins 0,90 pour une utilisation clinique.  

L'objectif de l'étude suivante était de prédire avec précision l'état de santé gingival, en termes de sensibilité et de spécificité, grâce à un nouveau système d'intelligence artificielle développé avec DeepLabv3+, après avoir suivi une formation avec un nombre adéquat de photographies intra-orales.  

Matériel et méthodes : 

Dans une étude publiée dans l'International Dental Journal en avril 2023, les auteurs ont développé et validé un nouveau système d'intelligence artificielle pouvant être utilisé pour diagnostiquer la gingivite à l’aide de photographies intra-orales sans l'intervention de l'œil humain. Les auteurs ont recueilli des photographies intra-orales en vue frontale répondant aux critères d'inclusion. Dans cette étude, l'architecture du réseau d'intelligence artificielle utilisée a été DeepLabv3+, basée sur Keras (v2.12, Google LLC) avec TensorFlow 2 (v2.9, Google LLC). Ce réseau neuronal est hautement transférable et offre de multiples points de contrôle pré-entraînés pour faciliter l'apprentissage des ensembles de données.  

Le long de la marge gingivale, l'état gingival des sites individuels a été étiqueté comme sain, malade ou douteux. Les photographies ont été assignées de manière aléatoire comme ensemble de données d’entraînement ou de validation. Les ensembles de données d'entraînement ont été introduits dans le nouveau système d'IA et sa précision dans la détection de la gingivite, y compris la sensibilité, la spécificité et l'intersection moyenne, a été analysée à l'aide de l'ensemble de données de validation. La précision a été rapportée conformément à la déclaration STARD-2015.  

Résultats : 

Au total, 567 photographies intra-orales ont été recueillies et enregistrées ; 80 % d’entre elles ont été utilisées pour l’entraînement et 20 % pour la validation. Concernant les ensembles de données d’entraînement, un total de 113 745 208 pixels ont été collectés, avec 9 270 413 pixels étiquetés comme sains, 5 711 027 pixels étiquetés comme malades et 4 596 612 pixels étiquetés comme douteux. Quant aux ensembles de données de validation, ils comprenaient 28 319 607 pixels, avec 1 732 031 pixels étiquetés comme sains, 1 866 104 pixels étiquetés comme malades et 1,116,493 pixels étiquetés comme douteux. L'IA a correctement prédit 1 114 623 de pixels sains et 1 183 718 de pixels malades avec une sensibilité de 0,92 et une spécificité de 0,94. Il a été constaté que l’intersection moyenne à la jonction du système était de 0,60, supérieure au seuil généralement accepté de 0,50.  

Conclusions :

Les données de cette étude, qui doivent être confirmées par d'autres études similaires, permettent de conclure que l'intelligence artificielle pourrait identifier des sites spécifiques avec ou sans inflammation gingivale, avec une sensibilité et une spécificité élevées, comparables à celles de l'examen visuel humain.

Traduit de l'anglais, Reinhard Chun Wang Chau, et al., "Accuracy of Artificial Intelligence-Based Photographic Detection of Gingivitis", International Dental Journal, 26 avril 2023.