L’intelligence artificielle en dentisterie : utilisations, limites et perspectives

L’intelligence artificielle est « un processus informatisé destiné à reproduire l’intelligence humaine ou animale et qui trouve application dans un grand nombre de domaines (par exemple, apprentissage automatique, traitement du langage naturel et robotique) » [1].

Elle est déjà appliquée dans une large gamme d’activités, non seulement dans le domaine médical mais également dans les mathématiques, la finance, l’ingénierie et le secteur commercial [2].

Le but et les modalités d’application de l’intelligence artificielle sont toutefois toujours les mêmes : l’imitation du processus décisionnel humain en faisant émerger des corrélations et des principes suite à une utilisation logique et à une analyse mathématique de données de départ.

Ainsi, les décisions humaines devraient théoriquement être facilitées et plus précises car tous les aspects, les avantages et les inconvénients relatifs à une question/pathologie donnée, sont pris en considération par la machine qui, après avoir examiné toutes les données disponibles, élabore la meilleure solution [3,4].

Une « médecine de précision » personnalisée et préventive

Dans le domaine médical, l’intelligence artificielle pourrait ainsi conduire à une meilleure compréhension des maladies dans les différentes populations du monde et chez les différents individus via l’analyse informatisée et l’extrapolation d’une vaste gamme de données.

Il serait ainsi possible d’arriver à ce qu’on appelle une « médecine de précision », c’est-à-dire une médecine personnalisée, basée sur des interventions préventives et thérapeutiques non à grande échelle mais ciblées sur chaque personne individuellement.

Il s’agit d’une médecine qui tient compte des différences individuelles en termes de génétique, de mode de vie, d’alimentation, d’antécédents familiaux afin de parvenir à identifier les thérapies les plus appropriées au cas clinique [5].

Dentisterie prédictive et imagerie médicale : le rôle de l’IA

Dans le secteur dentaire, en exploitant les principes à la base du deep learning, l’intelligence artificielle commence à arriver dans les activités et les programmes liés à la dentisterie prédictive et à l’imagerie médicale [6].

En orthodontie, certains programmes permettent déjà de détecter automatiquement des points de référence céphalométriques sur les téléradiographies latéro-latérales, des changements radiographiques résultant de traitements d’orthodontie non extractifs et prévoient la croissance et le développement [7,8].

L’IA dans l’analyse radiographique

En dentisterie conservatrice, les mécanismes d’intelligence artificielle sont appliqués principalement dans l’analyse des radiographies intrabuccales en vue de diagnostiquer des caries dans les limites proximales et sur l’émail et comprendre leur extension réelle sur la dentine [9]. L’analyse de l’échelle de gris avec les différents pixels présents sur la radiographie est en effet utilisée pour déterminer la présence ou non de caries et leur ampleur.

Suivant le même principe, l’analyse des radiographies intrabuccales permet à certains systèmes d’IA de dévoiler des pathologies endodontiques et l’anatomie des canaux radiculaires et de suggérer un éventuel traitement radiculaire [10].

Toujours en ce qui concerne l’analyse radiographique, en parodontologie et en implantologie, l’intelligence artificielle est utile pour comprendre les types de défauts osseux présents et faire une évaluation du risque de développement des pathologies parodontales/péri-implantaires à la suite, par exemple, de l’observation de la disparition de la plaque dure [11,12].

De plus, dans ce domaine, le deep learning peut également permettre de reconnaître le type d’implant présent dans l’os, dans le cas où il serait nécessaire de traiter un patient porteur d’un implant mais dont nous ne connaissons pas le type [13].

L’IA dans les prothèses et le domaine maxillo-facial

Concernant les prothèses, l’analyse occlusale et la reconnaissance des signes para-fonctionnels sont encore aujourd’hui en phase d’étude bien que des études préliminaires s’avèrent prometteuses [14].

En chirurgie maxillo-faciale, en revanche, l’intelligence artificielle s’avère utile pour la planification des cas chirurgicaux en chirurgie orthognatique et oncologique [15]. D’autres applications pourraient concerner la visualisation de l’étendue de l’ostéonécrose des maxillaires dans la CBCT [16].

Même le diagnostic des troubles temporo-mandibulaires d’origine anatomique et du carcinome squameux des muqueuses orales pourrait bénéficier de l’application d’algorithmes de deep learning [17,18].

Perspectives et limites de l’IA en dentisterie

Les utilisations mentionnées ci-dessus ne représentent que le début des utilisations possibles de l’intelligence artificielle en dentisterie. Toutefois, bien que sous plusieurs aspects ces algorithmes s’avèrent précis, ils ont des limites.

Par exemple, l’indication par des systèmes d’intelligence artificielle des points de référence des tissus durs et mous dans les zones du menton et du pogonion sur les téléradiographies est souvent imprécise du fait que la position et l’inclinaison du menton sont difficilement prévisibles avec une radiographie ou une photo de profil [14].

Par ailleurs, les étapes concernant la reconstruction de l’image CBCT, le processus de segmentation et la planification chirurgicale sont encore des phases délicates dans lesquelles les algorithmes de deep learning peuvent commettre des erreurs avec des conséquences parfois non négligeables [15].

Il est également nécessaire de connaître le mécanisme de fonctionnement des algorithmes [3,4] et, en raison de la complexité de cette nouvelle technologie et des problèmes intrinsèques concernant ses utilisations dans le domaine médical, il n’est pas exclu qu’à l’avenir des spécialités médicales nouvelles puissent apparaître [19].

L’utilisation de l’IA en dentisterie aura certainement un impact significatif, qu’il faudra toutefois évaluer en fonction de la branche et de l’application clinique et extraclinique qu’auront les logiciels dans ce domaine.

---

Bibliographie

[1]       Ramesh AN, Kambhampati C, Monson JRT, Drew PJ. Artificial intelligence in medicine. Ann R Coll Surg Engl 2004;86:334–8. https://doi.org/10.1308/147870804290.

[2]       Borana J. Applications of Artificial Intelligence & Associated Technologies, 2016.

[3]       Mohammad-Rahimi H, Rokhshad R, Bencharit S, Krois J, Schwendicke F. Deep learning: A primer for dentists and dental researchers. J Dent 2023;130:104430. https://doi.org/10.1016/j.jdent.2023.104430.

[4]       Ducret M, Mörch C-M, Karteva T, Fisher J, Schwendicke F. Artificial intelligence for sustainable oral healthcare. J Dent 2022;127:104344. https://doi.org/10.1016/j.jdent.2022.104344.

[5]       König IR, Fuchs O, Hansen G, von Mutius E, Kopp MV. What is precision medicine? Eur Respir J 2017;50:1700391. https://doi.org/10.1183/13993003.00391-2017.

[6]       Schwendicke F, Krois J. Data Dentistry: How Data Are Changing Clinical Care and Research. J Dent Res 2022;101:21–9. https://doi.org/10.1177/00220345211020265.

[7]       Park JH, Kim Y-J, Kim J, Kim J, Kim I-H, Kim N, et al. Use of artificial intelligence to predict outcomes of nonextraction treatment of Class II malocclusions. Seminars in Orthodontics 2021;27:87–95. https://doi.org/10.1053/j.sodo.2021.05.005.

[8]       Mohammad-Rahimi H, Nadimi M, Rohban MH, Shamsoddin E, Lee VY, Motamedian SR. Machine learning and orthodontics, current trends and the future opportunities: A scoping review. American Journal of Orthodontics and Dentofacial Orthopedics 2021;160:170-192.e4. https://doi.org/10.1016/j.ajodo.2021.02.013.

[9]       Mohammad-Rahimi H, Motamedian SR, Rohban MH, Krois J, Uribe SE, Mahmoudinia E, et al. Deep learning for caries detection: A systematic review. Journal of Dentistry 2022;122:104115. https://doi.org/10.1016/j.jdent.2022.104115.

[10]     Sadr S, Mohammad-Rahimi H, Motamedian SR, Zahedrozegar S, Motie P, Vinayahalingam S, et al. Deep Learning for Detection of Periapical Radiolucent Lesions: A Systematic Review and Meta-analysis of Diagnostic Test Accuracy. Journal of Endodontics 2023;49:248-261.e3. https://doi.org/10.1016/j.joen.2022.12.007.

[11]     Revilla-León M, Gómez-Polo M, Barmak AB, Inam W, Kan JYK, Kois JC, et al. Artificial intelligence models for diagnosing gingivitis and periodontal disease: A systematic review. The Journal of Prosthetic Dentistry 2022. https://doi.org/10.1016/j.prosdent.2022.01.026.

[12]     Mohammad-Rahimi H, Motamedian SR, Pirayesh Z, Haiat A, Zahedrozegar S, Mahmoudinia E, et al. Deep learning in periodontology and oral implantology: A scoping review. Journal of Periodontal Research 2022;57:942–51. https://doi.org/10.1111/jre.13037.

[13]     Revilla-León M, Gómez-Polo M, Vyas S, Barmak BA, Galluci GO, Att W, et al. Artificial intelligence applications in implant dentistry: A systematic review. J Prosthet Dent 2023;129:293–300. https://doi.org/10.1016/j.prosdent.2021.05.008.

[14]     Farook TH, Rashid F, Ahmed S, Dudley J. Clinical machine learning in parafunctional and altered functional occlusion: A systematic review. J Prosthet Dent 2023:S0022-3913(23)00051-3. https://doi.org/10.1016/j.prosdent.2023.01.013.

[15]     Minnema J, Ernst A, van Eijnatten M, Pauwels R, Forouzanfar T, Batenburg KJ, et al. A review on the application of deep learning for CT reconstruction, bone segmentation and surgical planning in oral and maxillofacial surgery. Dentomaxillofacial Radiology 2022;51. https://doi.org/10.1259/dmfr.20210437.

[16]     Wongratwanich P, Shimabukuro K, Konishi M, Nagasaki T, Ohtsuka M, Suei Y, et al. Do various imaging modalities provide potential early detection and diagnosis of medication-related osteonecrosis of the jaw? A review. Dentomaxillofacial Radiology 2021;50. https://doi.org/10.1259/dmfr.20200417.

[17]     Jha N, Lee K, Kim Y-J. Diagnosis of temporomandibular disorders using artificial intelligence technologies: A systematic review and meta-analysis. PLOS ONE 2022;17:e0272715. https://doi.org/10.1371/journal.pone.0272715.

[18]     Alabi RO, Youssef O, Pirinen M, Elmusrati M, Mäkitie AA, Leivo I, et al. Machine learning in oral squamous cell carcinoma: Current status, clinical concerns and prospects for future—A systematic review. Artificial Intelligence in Medicine 2021;115:102060. https://doi.org/10.1016/j.artmed.2021.102060.

[19]     Cussat-Blanc S, Castets-Renard C, Monsarrat P. Doctors in Medical Data Sciences: A New Curriculum. International Journal of Environmental Research and Public Health 2023;20:675. https://doi.org/10.3390/ijerph20010675.