Machine Translated by Google

Journal de

Volume 2 • Numéro 1 • Mars 2023

UDJ
Journal dentaire ukrainien

УКРАЇНСЬКИЙ

CHANTIER

ЖУРНАЛ

57
Machine Translated by Google

Éditeur en chef La rédactrice en chef de

Larysa Dakhno l'Institut de
Institut de médecine dentaire, Académie nationale de médecine Shupyk de stomatologie Larisa Dakhno Національного університету охорони
Formation postuniversitaire, Kyiv, Ukraine здоров'я України імені П. Л. Шупика, Київ, Україна
Laboratoire central de diagnostic de la tête, Kiev, Ukraine Laboratoire central de diagnostic de la tête, Київ, Україна

Rédacteurs associés Заступник головного редактора Мирослав

Myroslav Gontcharuk­Khomyn Гончарук­Хомин Ужгородський
Université nationale d'Oujhorod, Oujhorod, Ukraine національний університет, Ужгород, Україна

Comité éditorial. Редколегія

Nataliia Bidenko, Kiev, Ukraine Michele Наталія Біденко, Київ, Україна
Callea, Florence, Italie Kostiantyn Мікеле Калеа, Фlorenція, Італія
Lykhota, Kiev, Ukraine Hanna Vyshnevska, Костянтин Лихота, Київ, Україна
Odesa, Ukraine Özkan Adıgüzel, Diyarbakır, Ганна Вишне вська, Одеса, Україна
Turquie Roberto Fornara, Milano, Italie Озкан Адігузель, Діярбакир, Туреччина
Yasemin Yavuz, Sanliurfa, Turquie Роберто Форнара, Мілан, Італія
Antonino Morabito, Florence, Italie Iryna Ясемін Явуз, ШанLIурфа, Туречина
Logvynenko , Kiev, Ukraine Yaroslav Антоніно Морабіто, Фlorenція, Італія Ірина
Shkorbotun, Kiev, Ukraine Логвиненко, Київ, Україна Яrosslav
Шкорботун, Київ, Україна

Concepteur artistique Дизайн та верстка

Yaroslava Biruk, Kyiv, Ukraine Ярослава Бірюк, Київ, Україна

Fondateur et éditeur de la Засновник і Видавець ГС

Société scientifique publique ukrainienne « Éducation dentaire continue » "Безперервного професійного розвитку стоматологів" Аdresa: 04080,
Adresse : 15, rue Kyrylivska, Kiev, 04080, Ukraine E­mail : Україна, м. Київ, вул. Кирилівська, 15 Adresse électronique :
editor.udj@gmail.com Site Web : editor.udj@gmail.com Adresse : www.journal.dental.ua
www.journal.dental.ua

Certificat d'enregistrement d'État de la série de médias Свідоцтво про державну реєстрацію друкованого ЗМІ Серія КВ №
imprimés КВ № 25041 ­ 14981Р du 30.11.2021 25041 ­ 14981Р du 30.11.2021

Le certificat d'assujettissement d'une maison d'édition au Registre d'État des
éditeurs, fabricants et distributeurs de produits d'édition Série ДK №7617 du
01.06.2022
La Revue dentaire ukrainienne (p­ISSN
2786­6297 ; e­ISSN 2786­6572) est officieuse Journal de la Société scientifique
publique ukrainienne pour la formation dentaire continue
La restauration automatique des produits ї Серія ДК №7617 du 01.06.2022
Український стоматологічний журнал (p­ISSN 2786­6297; e­ISSN 2786­6572) є
офіційним
журналом В сеукраїнської
Громадської Спілки "Безперервного професійного розвитку стоматологів"

DOI : 10.56569 DOI: 10.56569

Publication : à partir de l'année 2021 Date d'arrivée: 2021
Fréquence : semestrielle (mars, octobre) Période : il s'agit d'un nouveau (en anglais, un jour) La vidéo est:
Langues du manuscrit : anglais, ukrainien L'Ukrainian anglais, anglais «Українсь»
Dental Journal accepte les articles pour publication en libre accès UDC : 616.314(477) кийстоматологічнийжурнал» ­ міжнароднерецензоване фахове видання
(05) відкритого доступу УДК: 616.314(477)(05)

UDJ a été envoyé à l'éditeur le 01.03.2023 Le format Publié le 01.03.2023 Format 60 x 84/8
d'impression est 60 х 84/8 Couleur du document.
Impression couleur offset, papiers couchés brillants Папір крейдяний глянцевий 5 фізичних і 11,2 умовних друкованих
Volume de 5 feuilles imprimées physiques et 11,2 feuilles imprimées аркушів Наклад 100 примірників Друк ТОВ Поліграфкомбі нат,
conventionnelles Il est édité à 100 м. Київ, Україна
exemplaires en circulation Forms of Journal est produit par LLC PoygraphFactory,
Kiev , Ukraine

58
Machine Translated by Google

ISSN 2786­6297 (imprimé) ISSN 2786­6572 (en ligne)

Journal dentaire d'Ukraine
УДК: 616.314.163:004.8](045)
DOI : 10.56569/UDJ.2.1.2023.96­101

Intelligence artificielle en endodontie : tendances pertinentes et

perspectives pratiques

Myroslav Goncharuk­Khomyn A, B, C, D, E, F
PhD, DDS, Département de dentisterie restauratrice, Ambassadeur de la Société de dentisterie numérique en Ukraine, Université nationale d'Uzhhorod,
Oujhorod, Ukraine
ID ORCID : 0000­0002­7482­3881

Igor Noenko A, B, F
MD, Institut de médecine dentaire, Université nationale de santé Shupyk d'Ukraine, Kiev, Ukraine
ORCIDID : 0000­0002­0644­2702

Alessandro Leite Cavalcanti B, E, F

PhD, professeur agrégé, Département de médecine dentaire, Université d'État de Paraíba, Campina Grande, Brésil
ORCIDID : 0000­0003­3572­3332

Özkan Adigüzel B, E, F
PhD, MD, professeur, Département d'endodontie, Université de Dicle, Diyarbakir, Turquie
ORCIDID : 0000­0001­6089­3013

Artem Dubnov E, F
DDS, MD, cabinet privé, Kiev, Ukraine
ID ORCID : 0009­0008­3288­5903

Auteur correspondant. Myroslav Goncharuk­Khomyn, Département de dentisterie restauratrice, Université nationale d'Uzhhorod, rue University, 16a, région de
Transcarpatie, Oujhorod, 88000 Ukraine Adresse e­mail : myroslav.goncharuk­
khomyn@uzhnu.edu.ua

A – concept et conception de la recherche ; B – collecte et/ou assemblage de données ; C – analyse et interprétation des données ; D – rédiger l’article ; E – révision critique de l’article ; F – approbation définitive de l’article

Informations sur l'article Abstrait

Histoire artistique : Arrière­plan. Le nombre global d’études sur la mise en œuvre de l’intelligence artificielle (IA) en dentisterie augmente
Article reçu le 4 décembre 2022 chaque année, tandis que les possibilités d’utilisation des méthodes d’IA dans la pratique endodontique quotidienne sont
Accepté le 30 janvier 2023 encore assez confinées et pas toujours suffisamment affirmées.
Disponible en ligne le 15 mai 2023 Objectif. Systématiser et décrire les principales données concernant l'utilisation de l'intelligence artificielle virtuelle à
diverses fins cliniques liées à l'endodontie.
Mots clés: Matériels et méthodes. Une recherche documentaire ciblée a été effectuée dans les bases de données du Centre national
intelligence artificielle, endodontie, revue, d'information sur la biotechnologie à l'aide d'un algorithme de termes de maillage prédéfini. Les informations suivantes ont
traitement d'images, assistée par été extraites de chaque publication lors de l’analyse du contenu : aspects de diagnostic et de planification du traitement de
ordinateur la pratique endodontique pour lesquels les méthodes d’IA pourraient être appliquées ; niveaux de précision enregistrés pour
les modèles d'IA utilisés à différentes fins liées à l'endodontie ; limites de l’utilisation de l’IA dans la pratique endodontique.

Les méthodes d'intelligence artificielle les plus couramment utilisées pour différents objectifs de diagnostic endodontique et
https://doi.org/10.56569/UDJ.2.1.2023.96­101
2786­6572/© 2023 Le(s) auteur(s).
Publié par l'UDJ au nom de la société
scientifique publique ukrainienne
Continuing Dental Education. Il s'agit d'un
article en libre accès sous licence CC BY (http://
creativecommons.org/licenses/by/4.0/).
Résultats. Les fonctionnalités de l'IA pourraient être utilisées dans la pratique endodontique pour les raisons suivantes :
analyse de la morphologie du canal radiculaire, identification des fractures radiculaires, vérification des lésions périapicales,
estimation de la longueur utile du canal radiculaire, planification du traitement canalaire, prédiction du développement de la
douleur pendant la période post­endodontique. période de traitement, prédiction du succès des interventions endodontiques.
de planification de traitement étaient les suivantes : réseau neuronal convolutif, réseau de neurones artificiels, raisonnement
basé sur des cas, apprentissage profond, apprentissage automatique, système d'inférence neuro­flou, réseau neuronal
probabiliste.
Conclusion. Le principal avantage de l’utilisation de modèles d’IA dans la pratique endodontique est associé à
l’amélioration de la précision du diagnostic dans un délai réduit nécessaire aux images radiologiques et à l’analyse des
données cliniques. L'application de l'IA pour la détection du foramen apical et la détermination de la longueur utile démontre
le plus haut niveau de précision par rapport aux performances de l'IA pour d'autres objectifs cliniquement liés en endodontie.

Introduction améliorations de la pratique dentaire dans de nombreux scénarios cliniques basées sur
les principes et les avancées de différents modèles d'intelligence artificielle (IA), qui non
La progression des technologies numériques modifie les approches dentaires de seulement assistent, mais aident parfois à former une toute nouvelle « feuille de route »
routine en matière de traitement et de diagnostic [1, 2, 3, 4]. Aujourd'hui efficace pour la réhabilitation dentaire du patient [1, 2, 3,

96
Machine Translated by Google
M. Goncharuk­Khomyn, I. Noenko, A. Leite Cavalcanti, Ö. Adigüzel, A. Dubnov
4, 5]. L'utilisation de l'apprentissage profond et des réseaux neuronaux convolutifs peut
aider à traiter les informations de diagnostic disponibles de la manière la plus objective
possible, tout en minimisant l'effet du biais de l'observateur humain.
D’un autre côté, ces algorithmes informatiques doivent être « enseignés » de manière
correcte pour imiter la prise de décision du cerveau humain et produire des résultats
supplémentaires fiables et cliniquement argumentés [2, 3, 4, 5]. L'expérience antérieure a
montré que les systèmes d'intelligence artificielle ont démontré une utilisation efficace pour
le diagnostic des caries dentaires, des parodontites et des tumeurs maxillo­faciales, ainsi
que pour la planification d'interventions orthognathiques complexes [1].
Une partie importante de la planification du traitement et du diagnostic en endodontie
repose sur l’analyse de radiographies intra­orales, de tomodensitométries à faisceau
conique et d’images orthopantomographiques. L'analyse des images radiographiques à
l'aide de l'IA pourrait être améliorée par des réseaux de neurones convolutifs à plusieurs
couches, car une telle approche est basée sur la vérification des caractéristiques adaptatives
de l'image et sur la classification des images en même temps, éliminant ainsi le besoin de
saisir des données prédéfinies. signes d'image pour l'étalonnage du processus d'identification
[6]. Parallèlement, d'autres méthodes d'intelligence artificielle, notamment le réseau de
neurones artificiels, l'apprentissage automatique et l'apprentissage profond, ont également
été décrites comme étant utilisées efficacement comme assistant à différentes fins lors du
diagnostic des pathologies endodontiques et de la planification du futur traitement canalaire
dans des conditions expérimentales [1, 2, 7 , 8].
Le nombre global d’études sur la mise en œuvre de l’IA en dentisterie augmente chaque
année, tandis que les possibilités d’utilisation des méthodes d’IA dans la pratique
endodontique quotidienne sont encore assez confinées et pas toujours suffisamment
affirmées. En outre, il n'existe qu'une quantité limitée de données concernant les
performances pratiques, la convivialité et l'importance clinique de l'application de l'IA pour
divers objectifs endodontiques [3, 5, 6]. D'un autre côté, compte tenu de quelques revues
systématiques récentes, on peut conclure que les preuves sur l'exactitude et l'opportunité
de l'application de l'IA à diverses fins liées à l'endodontie sont toujours à jour [1, 2, 5, 8], il
semble donc justifié de systématiser une telle application à des fins endodontiques. la
période actuelle sous la forme d’une revue de littérature ciblée.
Objectif
Systématiser et décrire les principales données concernant l'utilisation de l'intelligence
artificielle virtuelle à diverses fins cliniques liées à l'endodontie.
Matériels et méthodes
Protocole de recherche de littérature
Une recherche documentaire ciblée a été effectuée dans les bases de données du
National Center for Biotechnology Information (https://www.
ncbi.nlm.nih.gov/) à l'aide d'un algorithme de termes de maillage prédéfini : ("intelligence
artificielle"[Termes MeSH] OU ("artificiel"[Tous les champs] ET "intelligence"[Tous les
champs]) OU " intelligence artificielle"[Tous les champs]) ET ("endodontie"[Termes MeSH]
OU "endodontie"[Tous les champs]) [9, 10, 11].
La restriction de la date de publication a été appliquée en tenant compte des études
publiées au cours de la période de 6 ans suivante : 2017­2023. En outre, seules les
publications rédigées en anglais ont été prises en compte pour une analyse plus
approfondie du contenu. La première recherche documentaire a été réalisée le 25 février
2023, sur la base de laquelle la principale série de données pour l'analyse du contenu a été
formulée.
Une première sélection des publications ciblées a été effectuée en fonction de leur titre
et de leur résumé. La sélection secondaire des publications à partir de l'échantillon formulé
primaire a été réalisée avec une analyse approfondie des textes des articles, tout en tenant
compte de leur correspondance avec les critères d'éligibilité suivants (sujets d'intérêt) :
• présence de données principalement nouvelles concernant l'utilisation de l'IA pour diverses
raisons liées à l'endodontie ;
• description des niveaux de précision spécifi ques de l'utilisation de l'IA pour différents
à des fins endodontiques ;
• description des limites spécifi ques de l'utilisation de l'IA dans la pratique endodontique ;
• description des approches visant à améliorer l'importance clinique de l'IA pour l'endodontie.
Publications avec informations descriptives généralisées, répétitives
97
Journal dentaire ukrainien, UDJ ∙ 2 (2023) ∙ 96101
les faits, les déclarations mal formulées, le manque de preuves et les opinions personnelles
ont été exclus de l’échantillon de l’étude. En outre, parmi toutes les publications collectées,
seules celles liées à l'intelligence artificielle virtuelle ont été incluses pour une analyse plus
approfondie du contenu, tandis que les recherches sur l'intelligence artificielle physique
n'ont pas été incluses dans la présente revue.
Une recherche dans la littérature de contrôle a été effectuée le 25 mars 2023 pour
décrire les publications publiées entre le 26 février et le 25 mars 2023 et sur la base de
laquelle un ensemble de données supplémentaires a été formulé. L'analyse du tableau de
données supplémentaires formulé a eu lieu selon l'algorithme décrit ci­dessus. Les résultats
de l'analyse de contenu fournis sur un ensemble de données supplémentaires ont été
ajoutés aux informations déjà structurées sous la forme d'un manuscrit pré­préparé.
Aucune analyse spécifique de la qualité des études sélectionnées n'a été fournie, étant
donné que l'objectif de la littérature actuelle était de systématiser et de décrire les principales
données concernant l'utilisation de l'intelligence artificielle virtuelle à diverses fins cliniques
liées à l'endodontie, tout en maximisant la représentation des preuves pertinentes et des
résultats cliniques. et des déclarations significatives pour la recherche.
Extraction de données et analyse de contenu
Les informations suivantes ont été extraites de chaque publication lors de l'analyse du
contenu des textes intégraux des articles en raison des catégories d'analyse de contenu
formulées :
• les aspects de diagnostic et de planification du traitement de la pratique endodontique pour
lesquels les méthodes d'IA pourraient être appliquées ;
• Méthodes d'IA utilisées pour diverses raisons endodontiques et leurs
spécifications analytiques;
• niveaux de précision enregistrés pour les modèles d'IA utilisés pour différents
à des fins endodontiques ;
• les limites de l'utilisation de l'IA dans la pratique endodontique ;
• des approches visant à améliorer l'importance clinique de l'IA pour l'endodontie.
Catégorisation et analyse des données
La catégorisation des données, extraites de publications sélectionnées, a été effectuée
dans le logiciel de feuille de calcul Microsoft Excel 2019 (Microsoft Office, Microsoft, États­
Unis) en raison des catégories d'analyse de contenu précédemment formulées. La méthode
du modèle entité­relation a été utilisée pour décrire les intercorrespondances entre
différentes catégories d'analyse de contenu et pour les structurer de manière correcte pour
une représentation sous forme de publication scientifique.
Résultats
Une recherche documentaire ciblée réalisée dans la base de données PubMed grâce à
l'algorithme Mesh­terms préformé a abouti à un total de 181 articles. L'analyse primaire du
titre et du résumé de chaque article a permis d'exclure 114 publications de la cohorte
primaire, tandis qu'une analyse approfondie du reste des articles a permis de formuler un
échantillon d'étude final comprenant 24 publications correspondant à des critères éligibles
(sujets d'intérêt). Sur les 24 articles inclus dans l'échantillon d'étude pour l'analyse du
contenu, 4 étaient représentés sous forme de revue systématique, 1 – sous forme de revue
de cadrage, 4 – sous forme de revue ou de revue complète de la littérature, 15 – sous
forme d'études expérimentales avec l'utilisation de l'IA.
Sur la base de l'analyse de la littérature fournie, il a été constaté que les fonctionnalités
de l'IA peuvent être utilisées dans la pratique endodontique pour les raisons suivantes :
analyse de la morphologie du canal radiculaire, identification des fractures radiculaires,
vérification des lésions périapicales, estimation de la longueur utile du canal radiculaire,
planification du traitement, prédiction de l'évolution de la douleur pendant la période post­
traitement, prédiction du succès des interventions endodontiques. [2, 7, 12] (Figure 1).
Une revue systématique récente a démontré que la majorité des modèles d'IA appliqués
à l'endodontie étaient ciblés sur les diagnostics automatisés et la planification du traitement
[1].
Les méthodes d'intelligence artificielle les plus couramment utilisées pour différents
objectifs de diagnostic endodontique et de planification de traitement étaient les suivantes :
réseau neuronal convolutif, réseau de neurones artificiels, raisonnement basé sur des cas,
apprentissage profond, apprentissage automatique, système d'inférence neuro­flou, réseau
neuronal probabiliste ( Figure 2).
Machine Translated by Google

M. Goncharuk­Khomyn, I. Noenko, A. Leite Cavalcanti, Ö. Adigüzel, A. Dubnov Journal dentaire ukrainien, UDJ ∙ 2 (2023) ∙ 96101

Analyse de la morphologie Identification de Vérification de

canalaire fractures radiculaires lésions périapicales

Estimation de la racine Identification du mineur Canal radiculaire

longueur utile du canal foramen apical planification du traitement

Prédiction de l'évolution de la douleur Prédiction du succès des

pendant la période post­traitement interventions endodontiques

Figure 1. Objectifs endodontiques pour lesquels les méthodes d'IA pourraient être utilisées sur la base de l'analyse de la littérature fournie

Convolutif Artificiel Basé sur des cas

réseau neuronal réseau de neurones raisonnement

Profond Machine Neuro­flou

apprentissage apprentissage système d'inférence

Probabiliste
réseau neuronal

Figure 2. Méthodes d’intelligence artificielle pouvant être utilisées dans la pratique endodontique

Discussion
Considérant que l'analyse de la littérature fournie a révélé que les modèles d'IA dans
la plupart des cas endodontiques étaient utilisés pour l'analyse de la morphologie
canalaire, l'identification des fractures radiculaires, la vérification des lésions périapicales,
l'estimation de la longueur de travail et la planification future du traitement, il était
raisonnable d'objectiver l'exactitude et leurs limites de manière détaillée pour comprendre
leur pertinence clinique pratique.
L'IA a démontré une précision de 96 % dans la détermination de la longueur de travail
et une précision de 93 % pour la localisation du foramen apical mineur [1]. L'approbation
de l'IA sur le modèle d'étude sur cadavre a démontré une précision de 93 à 96 %, ce qui
lui a permis de surclasser les endodontistes expérimentés [8]. Compte tenu de ces
résultats, l'utilisation de l'IA peut être suggérée aux dentistes non expérimentés ou aux
dentistes sans spécialisation en endodontie comme support supplémentaire pour la
vérification de la longueur de travail et la détection du foramen apical pendant le
traitement canalaire. Dans l'examen complet le plus pertinent, les performances de l'IA
pour la détection du foramen apical et la détermination de la longueur utile ont été
caractérisées avec les niveaux de précision les plus élevés (93 à 96 %) par rapport à
l'application de l'IA pour les autres objectifs liés à l'endodontie [2].
L’IA a permis d’obtenir une précision diagnostique de 96,6 % lors de la détection des
fractures radiculaires verticales sur les scans CBCT reçus [1]. Une étude in vivo des
scans CBCT a démontré que l'IA pouvait détecter une fracture radiculaire verticale avec
une précision allant jusqu'à 97,8 %, une sensibilité jusqu'à 97,0 % et une précision
jusqu'à 98,5 % [13]. Une étude ex vivo a mis en évidence que les performances de
détection du réseau neuronal probabiliste pour les fractures radiculaires verticales sont
beaucoup plus élevées pour les cas d'utilisation de scanners CBCT que pour les cas de
radiographies périapicales [14]. Des performances de détection élevées du réseau
neuronal convolutif ont également été enregistrées lors de l'identification d'une fracture
radiculaire déplacée sur des images tomodensitométriques à faisceau conique (98,5 %,
100 % et 96,9 % pour la précision, la spécificité et la sensibilité, respectivement, lors de
l'utilisation d'une approche de recadrage manuel) [ 15]. Un examen complet a démontré
que la plage de précision pour les fractures radiculaires verticales
la détection avec l'utilisation de l'IA varie dans une plage de 73 à 96,6 %, tandis que
l'application de l'IA sur les résultats CBCT a également été caractérisée avec un niveau
de précision plus élevé pour les cas de canal radiculaire non traités [2]. D’autre part,
l’application de l’IA aux radiographies conventionnelles a démontré de meilleures
performances pour la détection des fractures radiculaires dans les cas d’obturation du
canal radiculaire [2]. Sur les images panoramiques, les performances de détection des
fractures radiculaires AI ont été caractérisées avec un rappel de 0,75, une précision de
0,93 et une mesure F de 0,83 [16].
Orhan et coll. ont rapporté une fiabilité de 92,8 % de l'identification de la pathologie
périapicale sur les scans CBCT avec l'utilisation de l'IA, tandis que les paramètres
volumétriques calculés avec l'IA étaient les mêmes que ceux calculés par le radiologue
[17]. Dans l'étude de Setzer et al. L’IA a obtenu une précision de détection de 0,93 en
utilisant la segmentation par apprentissage profond pour l’identification des lésions
périapicales [18]. Les réseaux neuronaux convolutifs ont pris en charge une précision de
70 % du système automatisé de classification des lésions périapicales, tandis que ce
niveau était plus élevé pour les ensembles de données d'images avec et sans lésions de
grande taille par rapport aux ensembles de données d'images avec et sans lésions de
petite taille (81,25 % contre 66,67). %) [19].
Une revue complète fournie par Karobari et al. ont révélé que différentes méthodes
d'intelligence artificielle pourraient aider à obtenir une précision de 72 à 93 % lors des
diagnostics endodontiques basés sur les rayons X [2]. L'analyse des résultats présentés
dans une revue complète a permis d'établir que la combinaison des résultats de l'IA avec
les résultats du CBCT soutenait une plus grande précision du diagnostic des lésions
périapicales par rapport aux cas où la méthode de l'IA a été appliquée pour l'évaluation
des radiographies périapicales dans le même but [2]. Les performances des modèles
d’IA pour les pathologies périapicales peuvent être altérées par la présence d’une
pathologie parodontale adjacente et par la localisation trop rapprochée de certaines
structures anatomiques (foramen mentonnier, fosse nasale, etc.) [1].
En combinant les résultats des ensembles d'entraînement et de test, l'IA a démontré
des performances efficaces en ce qui concerne l'identification du deuxième canal mésio­
buccal dans la molaire maxillaire (sensibilité – 0,71 ; spécificité – 0,98 ; précision – 0,84)
[20]. L’efficacité de l’IA pour l’identification de MB2 était comparativement plus élevée
dans les cas

98
Machine Translated by Google
M. Goncharuk­Khomyn, I. Noenko, A. Leite Cavalcanti, Ö. Adigüzel, A. Dubnov
canaux radiculaires obturés, car leur obturation provoque le développement d'un effet de
durcissement du faisceau, qui à son tour compromet les performances de l'algorithme de
détection de l'intelligence artificielle [20]. L'analyse par IA d'images panoramiques utilisant les
données CBCT comme référence a démontré une précision diagnostique de 86,9 % pour la
différenciation des racines simples ou extra distales de la molaire mandibulaire, tandis que les
performances du radiologue pour le même objectif ont montré une précision de 81,2 % [6].
Le réseau neuronal convolutif a été caractérisé avec des niveaux élevés de précision et de
sensibilité (84,37 ± 2,79 et 81,26 ± 4,79 respectivement) pour la détection d'une lime
endodontique cassée dans le canal radiculaire sur la base de l'analyse des images
panoramiques [21].
De manière analogique, l'IA a permis de prédire la présence d'un canal distal en forme de C
dans la molaire mandibulaire sur la base de l'analyse d'images panoramiques avec une
précision de 95,1 % et une sensibilité de 92,7 % [22]. Les résultats analogiques concernant la
prédiction en forme de C dans les molaires mandibulaires par le modèle d'IA ont été approuvés
dans l'étude de Yang et al. [23], dans lesquels les auteurs ont prouvé l’efficacité de l’IA lors de
l’analyse d’images périapicales et panoramiques.
En 2021, un modèle de réseau neuronal artificiel à rétropropagation (BP) a été proposé
pour prédire la douleur après un traitement canalaire, ce qui a assuré une précision de 95,60
% [24].
Un paradigme de raisonnement basé sur des cas utilisant les possibilités de l'IA a été
introduit pour prédire les résultats du traitement canalaire et tirer une conclusion substantielle
concernant l'opportunité des interventions endodontiques secondaires (26). Des modèles basés
sur l'IA pour prédire les échecs du traitement endodontique et le pronostic des interventions de
microchirurgie endodontique ont également été développés et soumis à une approbation
expérimentale [1].
Une autre perspective importante de l’application de l’IA pour le traitement canalaire est la
possibilité d’évaluer la viabilité et le niveau de survie des cellules souches au cours des
procédures de régénération endodontique (26). La méthode hybride d’apprentissage
automatique a permis d’évaluer que la viabilité des cellules souches pulpaires cultivées dans
le lysat plaquettaire humain était plus élevée que dans le sérum fœtal bovin ou le plasma riche
en plaquettes humaines (26). À ce sujet, la perspective de l’endodontie s’est concentrée sur le
développement de protocoles de régénération de cellules souches de pulpe dentaire guidés
par l’intelligence artificielle, qui pourraient en outre potentiellement être utilisés pour la pratique
clinique [27].
La combinaison des fonctionnalités de l'IA concernant les possibilités d'analyse approfondie
des biomarqueurs moléculaires et des modèles de bases de données de grande taille pourrait
être utilisée pour l'amélioration des méthodes de recherche et des approches expérimentales
pour étudier la pathologie de la pulpite[28].
Les études analysées dans une récente revue systématique ont démontré les performances
de l'IA dans la pratique endodontique à un niveau similaire à celui des spécialistes expérimentés,
tandis que certains chercheurs ont souligné que l'IA pourrait être encore meilleure pour certains
scénarios de diagnostic que celle des professionnels dentaires [8].
Plusieurs lacunes ont été systématisées et doivent être comblées dans les plus brefs délais
pour étendre l’intégration de l’IA dans la pratique spécifiquement endodontique :
• absence de logiciels complexes et adaptés pour la planification des patients
en endodontie en fonction du besoin clinique et du statut endodontique objectivé,
tout en tenant compte des spécificités du fonctionnement du système de santé en
général [7] ;
• déficit des modèles de prédiction du succès du traitement endodontique
prenant en compte non seulement les images radiologiques, mais également les
résultats cliniques [7] ;
• L'identification de certaines variations anatomiques, en particulier dans les
dents déjà traitées endodontiquement, avec l'utilisation de l'IA, peut être compliquée,
car elle nécessite une préparation appropriée des données et la mise en œuvre
d'une segmentation manuelle correspondante, ce qui prend du temps [20].
Des améliorations des modèles d'IA disponibles destinés à être mis en œuvre au sein de la
pratique endodontique pourraient être obtenues par une formation constante sur des ensembles
de données hétérogènes et suffisamment dimensionnés sur les patients dentaires [1]. La
plupart des méthodes d'IA utilisées auparavant pour les objectifs endodontiques étaient
entraînées sur un petit nombre d'images marquées, ce qui peut provoquer un effet de «
surajustement des données » associé à une perte de généralisabilité et de caractéristiques de
représentativité des échantillons [29]. Les segmentations d'images semblent également être
nécessaires pour les systèmes de classification basés sur l'apprentissage automatique utilisés
en endodontie [19].
En outre, de nombreux modèles d'IA déjà approuvés, conçus pour faciliter les diagnostics en
endodontie, ont été approuvés en utilisant uniquement des outils de haute qualité.
99
Journal dentaire ukrainien, UDJ ∙ 2 (2023) ∙ 96101
Cependant, si l’IA est conçue pour être utilisée dans des conditions cliniques réelles, elle
devrait au moins détecter les images de mauvaise qualité et souligner leur signification
diagnostique non fiable [29].
Il existe également un besoin pertinent de développer des lignes directrices adaptées pour
rapporter et interpréter les résultats obtenus après l’incorporation de l’IA pour différents objectifs
cliniques et diagnostiques dans la pratique endodontique [12].
Conclusion
Le principal avantage de l’utilisation de modèles d’IA dans la pratique endodontique est
associé à l’amélioration de la précision du diagnostic dans un délai réduit nécessaire aux
images radiologiques et à l’analyse des données cliniques.
L'application de l'IA pour la détection du foramen apical et la détermination de la longueur utile
démontre le plus haut niveau de précision par rapport aux performances de l'IA pour d'autres
objectifs cliniquement liés en endodontie. Néanmoins, avant la mise en œuvre de l’un des
modèles d’IA dans la pratique clinique, celui­ci doit faire l’objet d’une approbation répétitive et
d’une validation approfondie. Jusqu’à présent, les modèles d’IA doivent être interprétés comme
des instruments supplémentaires permettant d’optimiser potentiellement le processus
décisionnel dans la pratique endodontique. Les fonctionnalités de l’IA pourraient être mises en
œuvre avec succès dans le processus d’étude des futurs spécialistes de l’endodontie.
Les améliorations progressives des méthodes d’IA, qui pourraient être potentiellement
utilisées en endodontie, devraient être basées sur l’utilisation d’ensembles de données
hétérogènes de grande taille formulés à partir de la pratique clinique réelle pour un
apprentissage automatique plus approfondi.
Conflit d'intérêt
Les auteurs n’ont aucun conflit d’intérêts potentiel qui pourrait
influencer la décision de publier cet article.
Financement
Aucun financement n'a été reçu pour aider à la préparation et à la réalisation
de cette recherche, ainsi que dans la composition de cet article.
Les références
1. Khanagar SB, Alfadley A, Alfouzan K, Awawdeh M, Alaqla A, Jamleh A. Développements et
performances des modèles d'intelligence artificielle conçus pour une application en
endodontie : une revue systématique. Diagnostique. 2023;13(3):414. est ce que je:
10.3390/
diagnostic13030414
2. Karobari MI, Adil AH, Basheer SN, Murugesan S, Savadamoorthi KS, Mustafa M, Abdulwahed
A, Almokhatieb AA. Évaluation de l'exactitude diagnostique et pronostique de
l'intelligence artificielle en dentisterie endodontique : une revue complète de la
littérature. Méthodes mathématiques informatiques Med. 2023 ; 2023 : 7049360. est
ce que je: 10.1155/2023/7049360
3. Schwendicke FA, Samek W, Krois J. Intelligence artificielle en dentisterie : chances et défis.
J Dent Rés. 2020;99(7):769­
74. est ce que je: 10.1177/0022034520915714
4. Rodrigues JA, Krois J, Schwendicke F. Démystifier l'intelligence artificielle et l'apprentissage
profond en dentisterie. Braz Oral Res. 2021;35 :e094. est ce que je:
10.1590/1807­3107bor­2021.vol35.0094
5. Sadr S, Mohammad­Rahimi H, Motamedian SR, Zahedrozegar S, Motie P, Vinayahalingam
S, Dianat O, Nosrat A. Apprentissage approfondi pour la détection des lésions
radiotransparentes périapicales : une revue systématique et une méta­analyse de
l'exactitude des tests de diagnostic. J Endod. 2023;49(3):248­61. est ce que je:
10.1016/j.joen.2022.12.007
6. Hiraiwa T, Ariji Y, Fukuda M, Kise Y, Nakata K, Katsumata A, Fujita H, Ariji E. Un système
d'intelligence artificielle d'apprentissage en profondeur pour l'évaluation de la
morphologie radiculaire de la première molaire mandibulaire sur radiographie
panoramique. Dentomaxillofac Radiol. 2019;48(3):20180218. est ce que je: 10.1259/
dmfr.20180218
7. Aminoshariae A, Kulild J, Nagendrababu V. Intelligence artificielle
Machine Translated by Google
M. Goncharuk­Khomyn, I. Noenko, A. Leite Cavalcanti, Ö. Adigüzel, A. Dubnov
en endodontie : applications actuelles et orientations futures. J Endod.
2021;47(9):1352­7. est ce que je: 10.1016/j.joen.2021.06.003
8. Boreak N. Efficacité des applications d'intelligence artificielle conçues pour le diagnostic
endodontique, la prise de décision et la prédiction du pronostic : une revue
systématique. J Contemp Dent Pract. 2020;21(8):926­34.
9. Fatehi F, Gray LC, Wootton R. Comment améliorer votre PubMed/
Recherches MEDLINE : 3. recherche avancée, MeSH et My NCBI. J Télémed
Télésoins. 2014;20(2):102­12. est ce que je: 10.1177/1357633X13519036
10. Kim S, Yeganova L, Wilbur WJ. Meshable : recherche de résumés PubMed en utilisant
MeSH et des termes thématiques dérivés de MeSH. Bioinformatique.
2016;32(19):3044­6. est ce que je: 10.1093/
bioinformatique/btw331
11. Mao Y, Lu Z. MeSH Now : indexation automatique MeSH à l'échelle PubMed via
l'apprentissage du classement. J Biomed Sémantique. 2017;8(1):15. est ce que
je: 10.1186/s13326­017­0123­3
12. Umer F, Habib S. Analyse critique de l'intelligence artificielle en endodontie : une revue
de la portée. J Endod. 2022;48(2):152­60. est ce que je: 10.1016/j.joen.2021.11.007
13. Hu Z, Cao D, Hu Y, Wang B, Zhang Y, Tang R, Zhuang J, Gao A, Chen Y, Lin Z.
Diagnostic de fracture radiculaire verticale in vivo utilisant l'apprentissage en
profondeur sur des images CT à faisceau conique. Santé bucco­dentaire BMC.
2022;22(1):382. est ce que je: 10.1186/s12903­022­02422­9
14. Johari M, Esmaeili F, Andalib A, Garjani S, Saberkari H. Détection des fractures
radiculaires verticales dans les dents prémolaires intactes et traitées
endodontiquement en concevant un réseau neuronal probabiliste : une étude ex
vivo. Dentomaxillofac Radiol. 2017;46(2):20160107. est ce que je: 10.1259/
dmfr.20160107
15. Hu Y, Cao D, Wang B, Chen Y, Lin Z. Exploration préliminaire de l'intelligence artificielle
dans le diagnostic d'une fracture radiculaire déplacée basée sur un réseau
neuronal convolutif. J Oral Sci Res. 2022;38(10):959­62. est ce que je: 10.13701/
j.cnki.kqyxyj.2022.10.012
16. Fukuda M, Inamoto K, Shibata N, Ariji Y, Yanashita Y, Kutsuna S, Nakata K, Katsumata
A, Fujita H, Ariji E. Évaluation d'un système d'intelligence artificielle pour détecter
les fractures radiculaires verticales par radiographie panoramique. Radiol oral.
2020;36:337­
43. est ce que je : 10.1007/s11282­019­00409­x
17. Orhan K, Bayrakdar IS, Ezhov M, Kravtsov A, Özyürek TA.
Évaluation de l'intelligence artificielle pour la détection de la pathologie périapicale
sur les tomodensitométries à faisceau conique. Int Endod J. 2020;53(5):680­9.
est ce que je: 10.1111/iej.13265
18. Setzer FC, Shi KJ, Zhang Z, Yan H, Yoon H, Mupparapu M, Li J.
Intelligence artificielle pour la détection assistée par ordinateur des lésions
périapicales dans les images tomodensitométriques à faisceau conique. J Endod.
2020;46(7):987­93. est ce que je: 10.1016/j.
joen.2020.03.025
100
Journal dentaire ukrainien, UDJ ∙ 2 (2023) ∙ 96101
19. Calazans MA, Ferreira FA, Alcoforado MD, Santos AD, Pontual AD, Madeiro F.
Système de classification automatique des lésions périapicales en
tomodensitométrie à faisceau conique. Capteurs. 2022;22(17):6481. est ce que
je: 10.3390/s22176481
20. Albitar L, Zhao T, Huang C, Mahdian M. Intelligence artificielle (IA) pour la détection et
la localisation des deuxièmes canaux buccaux mésiaux (MB2) non obturés en
tomodensitométrie à faisceau conique (CBCT). Diagnostique. 18 décembre
2022;12(12):3214. est ce que je: 10.3390/
diagnostic12123214
21. Buyuk C, Arican Alpay B, Er F. Détection de l'instrument canalaire séparé sur
radiographie panoramique : une comparaison des méthodes d'apprentissage
profond LSTM et CNN. Dentomaxillofac Radiol. 2023;52(3):20220209. est ce
que je: 10.1259/dmfr.20220209
22. Jeon SJ, Yun JP, Yeom HG, Shin WS, Lee JH, Jeong SH, Seo MS.
Deep­learning pour prédire les canaux en forme de C dans les secondes
molaires mandibulaires sur les radiographies panoramiques. Dentomaxillofac
Radiol. 2021;50(5):20200513. est ce que je: 10.1259/dmfr.20200513
23. Yang S, Lee H, Jang B, Kim KD, Kim J, Kim H, Park W. Développement et validation
d'un modèle d'apprentissage profond visuellement explicable pour la classification
des canaux en forme de C des secondes molaires mandibulaires en périapical
et panoramique radiographies dentaires. J Endod. 2022;48(7):914­21. est ce
que je: 10.1016/j.joen.2022.04.007
24. Gao X, Xin X, Li Z, Zhang W. Prédire la douleur postopératoire après un traitement
canalaire en utilisant l'évaluation du réseau neuronal artificiel. Sci
Rep.2021;11(1):17243. est ce que je: 10.1038/
s41598­021­96777­8
25. Campo L, Aliaga IJ, De Paz JF, García AE, Bajo J, Villarubia G, Corchado JM.
Prédictions de retraitement en odontologie au moyen de systèmes CBR. Calcul
Intell Neurosci. 2016;2016 :7485250. est ce que je: 10.1155/2016/7485250
26. Bindal P, Bindal U, Kazemipoor M, Jha SK. Approches hybrides d'apprentissage
automatique pour l'évaluation de la viabilité des cellules souches de pulpe
dentaire traitées avec des concentrés riches en plaquettes sur différentes périodes.
App Med Informer. 2019;41(3):93­101.
27. Mohan SP, Ramalingam M. Cellules souches de la pulpe dentaire dans la
neurorégénération. J Pharm Bioallied Sci. 2020 ; 12 (Supplément 1) : S60­S66.
est ce que je: 10.4103/jpbs.JPBS_229_20
28. Richert R, Ducret M, AlliotLicht B, Bekhouche M, Gobert S, Farges JC. Une analyse
critique des méthodes de recherche et des modèles expérimentaux pour étudier
la pulpite. Int Endod J. 2022;55:14­36. est ce que je: 10.1111/iej.13683
29. Ramezanzade S, Laurentiu T, Bakhshandah A, Ibragimov B, Kvist T, Bjørndal L.
L'efficacité des méthodes d'intelligence artificielle pour trouver des caractéristiques
radiographiques dans différents traitements endodontiques ­ une revue
systématique. Acta Odontol Scand. 2022;1­
4. est ce que je: 10.1080/00016357.2022.2158929
Machine Translated by Google

ISSN 2786­6297 (imprimé) ISSN 2786­6572 (en ligne)

Український стоматологічний журнал УДК:
616.314.163:004.8](045)
DOI : 10.56569/UDJ.2.1.2023.96­101

L'intellectuel de l'endodontie : tendances actuelles et perspectives

pratiques
ABCDEF
Мирослав Гончарук­Хомин
PhD, DDS, Café Thérapie de stomatologie, Université nationale supérieure, Ambassadeur de dentisterie numérique
Société en Ukraine, Ужгород, Україна
ID ORCID : 0000­0002­7482­3881

Ігор Ноєнко A, B,
F Лікар стоматолог, Інститут стоматології, Національний Університет Охорони Здоров'я України імені П. Л. Шупика, Київ, Україна ORCID
ID : 0000­0002­0644­2702

Алессандро Лейте Кавальканті B, E, F

PhD, Доцент Кафедри Стоматології, Державний Університет Параїби, Кампіна­Гранде, Brésil
ORCIDID : 0000­0003­3572­3332

Озкан Адігюзель B, E, F
PhD, MD, Professeur Cafédri Endodontiї, Universitet Дікле, Діярбакир, Туреччина
ORCIDID : 0000­0001­6089­3013

Артем Дубнов E,
F Лікар стоматолог, MD, приватна практика, Kiev, Ukraine
ID ORCID : 0009­0008­3288­5903

Auteur principal de la liste : Miroslav Gonчарук­Хомин, Cafétéria thérapeutique, Université nationale supérieure тет, вул. Університетська,
16а, Закарпатська обл., м. Ужгород, 88000 Україна Adresse e­mail : myroslav.goncharuk­khomyn@uzhnu.edu.ua

A – une conception globale de la conception du traitement, B – une analyse du système de traitement, С – une analyse du traitement ження, D ­ написання публікації, Е ­
критичне доопрацювання тексту публікації, F­ остаточне затвердження.

Statut : Annotation

Statuts de l'histoire :
Date de rédaction du 4 janvier 2022
Date de sortie du 30 septembre 2023
Mise en ligne le 15 octobre 2023
Clés en main :
штучний интелект, ендодонтія,
огляд, обробка зображень,
комп'ютерна обробка даних
Вступ. Il est maintenant possible de fournir un système d'intéléct. Selon les méthodes utilisées par SHІ, dans
votre pratique endodontique actuelle, vous avez besoin d'aide pour ne pas fournir de soins médicaux.
Méta. Systèmes de synchronisation automatique pour les utilisateurs virtuels
штучного інтелекту для різноманітних клінічних цілей в ендодонтичній практиці.
Matériel pour les méthodes. Le Centre national de littérature s'occupe des informations sur le fonctionnement
du Centre national de recherche изначеного алгоритму Медичних предметних рубрик (Mesh­terms). Pendant
que vous analysez le contenu de votre publication, vous trouverez ci­dessous: les différents diagnostics de
planification de la clinique endodontique pour vous ких можна застосувати методи ШІ; рівні точності,
зареєстровані для моделей ШІ, які використовуються для різних ENDодонтичних цілей; обмеження
використання ШІ в ендодонтичній практиці.
Résultats. La fonction intellectuelle de l'organisme peut être efficace dans la pratique endodontique dans les
milieux naturels : analyse de la morphologie du canal coronarien, identification ікація переломів кореня,
верифікація періапікальних уражень, оцінка робочої довжини кореневого каналу, планування лікування
кореневого каналу, про гнозування розвитку болю в період після лікування, прогнозування успішності
ENDодонтичних втручань. Si vous avez des méthodes d'ingénierie intellectuelle, vous pouvez vous aider à
prendre des risques en matière de diagnostic et de planification de votre vie à domicile. донтичній практиці, є
наступні: згорткова нейронна мережа, штучна нейронна мережа, аргументація на основі прецедентів,
глибинне навчання, ма шинне навчання, нейромережа на основі системи нечіткого виведення, ймовірнісна нейронна ме
Visnovki. Il s'agit d'un modèle d'intellectuel de modèle victorien dans la pratique endodontique pour un
diagnostic précis et précis укцією затрат часу, необхідних для опрацювання рентгенологічних зображень та
аналізу клінічних даних. L'ordinateur est prêt à vérifier les informations pertinentes sur la visualisation des
caractéristiques du robot par rapport à vos clients. Ce n'est pas le cas du modèle de production ШІ, qui s'adresse
aux autres cliniques de la pratique endodontique.

https://doi.org/10.56569/
UDJ.2.1.2023.96­101
2786­6572/© 2023 Le(s) auteur(s).
Конфлікт интересів
Авторинемаютьпотенційногоконфліктуінтересів, якийможевплинутинарішенняпропублікаціюцієїstattі.
Заявапрофінансування
Авторинеотримувалифінансовоїпідтримкивіджодноїорганізаціїдляпроведення свогодослідження.

101