Documentos de Académico
Documentos de Profesional
Documentos de Cultura
bioingeniería
Artículo
Aprendizaje automático para el diagnóstico de
extracciones ortodóncicas: Un análisis computacional
mediante aprendizaje conjunto
Yasir Suhail 1,* , Madhur Upadhyay 2 , Aditya Chhibber 3 y Kshitiz 1,*
1 Departamento de Ingeniería Biomédica, Centro de Salud de la Universidad de
Connecticut, Farmington, CT 06032, EE.UU.
2 División de Ortodoncia, Facultad de Medicina Dental, Centro de Salud de la Universidad de Connecticut,
Farmington, CT 06032, EE.UU.; maupadhyay@uchc.edu
3 Práctica privada, Norwalk, OH 44857, EE.UU.; adityachhibber14@gmail.com
* Correspondencia: yasir.suhail@uconn.edu (Y.S.); kshitiz@uchc.edu (K.)
comprobar
Recibido: 1 de mayo de 2020; Aceptado: 10 de junio de 2020; Publicado: ror
12 de junio de 2020 actualiza
Palabras clave: ortodoncia; red neuronal; aprendizaje automático; bosques aleatorios; métodos
ensemble
1. Introducción
La extracción de dientes es una de las decisiones más críticas y controvertidas en el tratamiento
ortodóncico, en gran parte porque las extracciones son irreversibles [1,2]. Estas decisiones se basan
en evaluaciones clínicas, fotografías del paciente, modelos de estudio dental, radiografías, y
dependen sustancialmente de la experiencia y los conocimientos del clínico. Una decisión
equivocada puede conducir a resultados indeseables como una estética subóptima, una mordida
inadecuada, anomalías funcionales relacionadas con la masticación y el habla y, en el peor de los
casos, un tratamiento inacabado. Hasta la fecha, la decisión de extraer dientes no está formalizada ni
estandarizada, y depende de la heurística del profesional [3]. Esto provoca a menudo variabilidad
intraclínica e interclínica en el proceso de toma de decisiones [4,5]. Por lo tanto, para cientos de estudiantes,
residentes, ortodoncistas y odontólogos de todo el mundo, el diagnóstico y la planificación del
tratamiento suponen un reto importante. La brecha resultante en el conocimiento o la interpretación
de los datos puede ser crítica. Por lo tanto, para estandarizar el proceso de toma de decisiones, se
necesitan enfoques más novedosos.
En este estudio, pretendemos crear un modelo de toma de decisiones de inteligencia artificial
para el diagnóstico de extracciones utilizando el aprendizaje automático de redes neuronales. Los
objetivos principales del estudio eran (1) desarrollar un modelo de toma de decisiones que simule las
decisiones de los expertos sobre si es necesario extraer o no un diente basándose en registros
estandarizados de pretratamiento ortodóncico (fotografías y radiografías del paciente), y (2)
determinar los elementos de conocimiento necesarios para formular decisiones de tratamiento
ortodóncico de extracción/no extracción. Se esperaba que el modelo de diagnóstico creado
coincidiera con el diagnóstico de un experto, tanto en la toma de decisiones binarias (resultados de
extracción frente a resultados de no extracción), como en el proceso de toma de decisiones más
resuelto del que se seguiría un resultado de extracción específico (de los 13 resultados posibles).
Este método no sólo limitaría la variabilidad en
toma de decisiones en ortodoncia, sino también limitar los efectos adversos de los protocolos de extracción
dental prescritos erróneamente. Además, esto también podría servir como herramienta de prueba para
formar a dentistas y estudiantes de ortodoncia. Registros de pretratamiento de ortodoncia en forma
de fotos extraorales, fotos intraorales,
y se recogieron radiografías cefalométricas. Un panel de ortodoncistas experimentados (en adelante
también denominados expertos) evaluó los registros individualmente y predijo el resultado final de
extracción/no extracción.
2. Materiales y métodos
Figura 1. Esquema del procedimiento seguido en este trabajo, desde la recogida de datos hasta el
diagnóstico por aprendizaje automático.
3. Resultados
Recopilamos datos de 287 pacientes de cinco expertos diferentes. Cada experto asignó valores
a 19 características diagnósticas preseleccionadas basándose en imágenes cefalométricas y fotografías
del paciente, además de seleccionar una opción de tratamiento principal y otra alternativa. Los
expertos podían decidir entre uno de los dos resultados binarios: no extracción o extracción. Dentro
Bioingeniería 2020, 7, 55 3 de 17
del plan de extracción, según
Bioingeniería 2020, 7, 55 4 de 17
para determinar qué diente o dientes requerían extracción, los expertos tenían que seleccionar un
resultado (específico) de entre las 13 opciones diferentes (2-14) que se ofrecían (Figura 2). Lo más
importante es que los expertos también opinaron sobre el segundo resultado preferido (denominado
resultado alternativo), lo que, teniendo en cuenta la variabilidad entre las opiniones de los expertos,
nos permitió comprobar la exactitud de nuestros resultados de una manera más sólida.
Figura 2. Índice de las diferentes opciones de extracción Índice de las distintas opciones de
extracción. El diagrama de la izquierda muestra la ubicación de los premolares superiores e
inferiores. Las 14 opciones de la derecha enumeran los procedimientos de extracción específicos en
función de la ubicación de los dientes. NE significa sin extracción.
Figura 3. Antecedentes demográficos de los pacientes. Antecedentes demográficos de los pacientes. (A)
Distribución por edades y (B) distribución por sexos.
En primer lugar, queríamos establecer el grado de acuerdo entre los expertos que evaluaron a
los pacientes incluidos en este estudio. Si los múltiples planes de tratamiento seleccionados por los
distintos expertos se consideran el patrón oro para un método de aprendizaje automático, el acuerdo
entre expertos debería proporcionarnos un límite práctico superior sobre la precisión a alcanzar. El
acuerdo sobre el resultado primario del tratamiento entre los diferentes expertos varió del 65% al
71% (Tabla 1), y el acuerdo sobre el resultado primario o alternativo varió del 93% al 98% (Tabla 2). Estos
datos ponen de manifiesto que distintos expertos, bien formados en ortodoncia, podían diferir en sus
opiniones primarias en algunos aspectos.
Bioingeniería 2020, 7, 55 5 de 17
Tabla 1. Porcentaje de acuerdo sobre el resultado primario del tratamiento entre los distintos expertos.
Tabla 2. Porcentaje de acuerdo sobre el resultado primario o alternativo del tratamiento entre los
distintos expertos.
Mientras que los errores de entrenamiento (Figura 6) aumentan monótonamente con pesos de
regularización más altos para las normas L1, L2 y combinadas (red elástica), las tasas de error de
prueba muestran una caída clásica para los pesos de regularización intermedios (Figura 7). La
adición de interacciones de segundo grado en los predictores lleva el error de entrenamiento casi a
cero (fila inferior de la Figura 6), mientras que el error de prueba aumenta un poco. Sin embargo, la
regularización contrarresta este exceso de ajuste.
Figura 10. Efecto de saturación al aumentar el número de clasificadores en el bosque aleatorio. La precisión
fuera de la bolsa (una estimación de la precisión de la prueba) trazada frente al número de árboles para
el modelo de bosque aleatorio que predice el tipo específico de interacción. Esto es para un tamaño
de nodo mínimo de 1 y probando todas las características posibles en cada división.
Bioingeniería 2020, 7, 55 11 de 17
Figura 11. Rendimiento de todos los clasificadores para predecir Rendimiento de todos los
clasificadores para predecir (A) el diagnóstico principal, y (B) cuando se considera que la
concordancia con el diagnóstico principal o con los diagnósticos alternativos es exacta. Aquí se
incluyen tanto los clasificadores individuales como los conjuntos (bosque aleatorio).
Figura 12. Efecto de las características individuales. El error de prueba para la predicción del plan de
tratamiento específico utilizando la red neuronal después de eliminar de forma independiente
características individuales del conjunto de datos.
4. Debate
Estudios anteriores han abordado este problema utilizando el aprendizaje automático mediante
una red neuronal [9,10]. Sin embargo, estos enfoques se han visto limitados por varias deficiencias. Los
modelos mostrados en los resultados se han centrado específicamente en resultados binarios, es decir,
extracción frente a no extracción, sin esbozar qué diente o conjunto de dientes necesita extracción.
Nuestros datos de expertos mostraron, y también se cree en general, que esta decisión binaria es una
decisión de primer orden, y requiere una pericia limitada en comparación con la decisión más
resuelta sobre qué diente, o conjunto de dientes, necesita ser extraído. Además, la decisión binaria
viene determinada por menos parámetros (apiñamiento o inclinación dental), un escenario mucho
más fácil, mientras que una decisión más resuelta requiere la determinación de parámetros que aún
están por estandarizar, lo que pone de relieve los retos que implica decidir entre muchos otros
resultados posibles.
Nuestra investigación no sólo se centra en esta decisión binaria, sino también en los otros trece
resultados posibles que ponen de relieve el diente o dientes concretos que requieren extracción,
creando un nuevo método basado en la inteligencia artificial para predecir un plan entre un gran
número de posibles planes de extracción (Figura 2) a partir de los 19 elementos característicos.
En segundo lugar, tras realizar una revisión exhaustiva de la bibliografía existente, limitamos
las características de diagnóstico a 19 predictores más relevantes. Los elementos del vector de
características adoptados pueden clasificarse a grandes rasgos en cinco categorías principales, a
saber, relación dentoesquelética sagital, relación dentoesquelética vertical, relación dental
transversal, relación de tejidos blandos y condiciones intraarco. Estudios similares [9-11] han
incluido muchas más características que no sólo han aumentado sus requisitos computacionales,
sino que también han añadido redundancia a su conjunto de datos. Además, se puede obtener
fácilmente un número reducido de características para cada paciente a partir de los registros estándar
sin utilizar enfoques de diagnóstico especiales. Un menor número de características también
significa que los expertos dedican menos tiempo a analizar los registros de cada paciente, con lo que
pueden analizar más muestras. Esto nos ayuda a evaluar la precisión de nuestro método en relación
con el desacuerdo entre expertos.
Pudimos explotar las diversas características utilizando múltiples modelos de aprendizaje
automático. Limitamos el número de características para facilitar la recopilación de datos y la
aplicación del método en la clínica. Pudimos extraer información adicional de las interacciones de
estas características y construir predictores no lineales para la regresión utilizando interacciones de segundo
Bioingeniería 2020, 7, 55 13 de 17
grado. Aunque el resultado fue un sobreajuste,
Bioingeniería 2020, 7, 55 14 de 17
Contribuciones de los autores: M.U., K. y Y.S. concibieron y diseñaron el estudio; A.C. recopiló los registros y actuó
como uno de los evaluadores; M.U. recopiló los datos y seleccionó las características de cada paciente; Y.S.
realizó el análisis computacional y de aprendizaje automático; Y.S., M.U. y K. redactaron el artículo. Todos los
autores han leído y aceptado la versión publicada del manuscrito.
Financiación: Financiación inicial del Centro de Salud de la Universidad de Connecticut (K).
Conflictos de intereses: Los autores y la Universidad de Connecticut han presentado la solicitud de patente
provisional estadounidense n.º 62/915.725 basada en este trabajo el 16 de octubre de 2019.
Referencias
1. Weintraub, J.A.; Vig, P.S.; Brown, C.; Kowalski, C.J. La prevalencia de las extracciones ortodóncicas. Am. J.
Orthod. Dentofac. Orthop. 1989, 96, 462-466. [CrossRef]
2. Burrow, S.J. Extraer o no extraer: una decisión de diagnóstico, no de marketing. Am. J. Orthod. 2008,
133, 341-342. [CrossRef] [PubMed]
3. Ribarevski, R.; Vig, P.; Vig, K.D.; Weyant, R.; O'Brien, K. Consistencia de las decisiones de extracción
ortodóncica.
Eur. J. Orthod. 1996, 18, 77-80. [CrossRef]
4. Dunbar, A.C.; Bearn, D.; McIntyre, G. The influence of using digital diagnostic information on orthodontic
treatment planning-A pilot study. J. Healthc. Eng. 2014, 5, 411-427. [CrossRef] [PubMed]
5. Baumrind, S. The decision to extract: Part I-Inter-clinician agreement. Am. J. Orthod. Dentofac. Orthop.
Bioingeniería 2020, 7, 55 15 de 17
1996, 109, 297-309. [CrossRef]
Bioingeniería 2020, 7, 55 16 de 17
6. Equipo central de R. R: A language and Environment for Statistical Computing. Fundación R para la
computación estadística Computing. Viena, Austria, 2018. Disponible en línea: https://www.R-project.org/
(consultado el 1 de mayo de 2020).
7. Venables, W.N.; Ripley, B.D. Modern Applied Statistics with S, 4ª ed.; Springer: Berlín/Heidelberg,
Alemania, 2002; ISBN 0-387-95457-0.
8. Liaw, A.; Wiener, M. Clasificación y regresión mediante randomForest. R News 2002, 2, 18-22.
9. Xie, X.; Wang, L.; Wang, A. Artificial neural network modeling for deciding if extractions are necessary prior
to orthodontic treatment. Angle Orthod. 2010, 80, 262-266. [CrossRef] [PubMed]
10. Jung, S.K.; Kim, T.W. Nuevo enfoque para el diagnóstico de extracciones con aprendizaje automático de
redes neuronales.
Am. J. Orthod. Dentofac. Orthop. 2016, 149, 127-133. [CrossRef] [PubMed]
11. Konstantonis, D.; Anthopoulou, C.; Makou, M. Extraxxtion decision and identification of treatment predictors
in class I malocclusions. Prog. Orthod. 2013, 14, 1-8. [CrossRef]
12. Ho, T.K. Bosques de decisión aleatorios. En Proceedings of the 3rd International Conference on Document
Analysis and Recognition, Montreal, QC, EE.UU., 14-16 de agosto de 1995.
13. Dietterich, T.G. Ensemble Methods in Machine Learning. En Multiple Classifier Systems. MCS 2000. Lecture
Notes in Computer Science; Springer: Berlín/Heidelberg, Alemania, 2020.
14. Breiman, L. Bosques aleatorios. Mach. Learn. 2001, 45, 5. [CrossRef].
15. Friedman, J.; Hastie, T.; Tibshirani, R. Regresión logística aditiva: A statistical view of boosting (con
discusión en y réplica de los autores). Ann. Stat. 2000, 28, 337-407. [CrossRef]
16. Nishimoto, S.; Sotsuka, Y.; Kawai, K.; Ishise, H.; Kakibuchi, M. Detección de hitos cefalométricos basada en
ordenador personal con aprendizaje profundo, utilizando cefalogramas en Internet. J. Craniofacial Surg. 2019,
30, 91-95. [CrossRef] [PubMed]
17. Lee, H.; Park, M.; Kim, J. Cephalometric landmark detection in dental x-ray images using convolutional
neural networks. SPIE Med. Imaging 2017. [CrossRef]
18. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Redes convolucionales para segmentación de imágenes
biomédicas. En Proceedings of the Medical Image Computing and Computer-Assisted Intervention-
MICCAI 2015, Múnich, Alemania, 5-9 de octubre de 2015.
19. Narayanan, B.N.; Hardie, R.C.; Kebede, T.M.; Sprague, M.J. Optimized feature selection-based clustering
approach for computer-aided detection of lung nodules in different modalities. Pattern Anal. Appl. 2019,
22, 559-571. [CrossRef]
20. Lambin, P.; Rios-Velazquez, E.; Leijenaar, R.; Carvalho, S.; Van Stiphout, R.G.; Granton, P.; Aerts, H.J.
Radiomics: Extracción de más información de imágenes médicas mediante el análisis avanzado de
características. Eur. J. Cancer 2012, 48, 441-446. [CrossRef] [PubMed]
21. Narayanan, B.N.; Hardie, R.C.; Kebede, T.M. Performance Analysis of Feature Selection Techniques for
Support Vector Machine and its Application for Lung Nodule Detection. En Actas de la conferencia
NAECON 2018-IEEE National Aerospace and Electronics Conference, Dayton, OH, Estados Unidos, 23-
26 de julio de 2018.
2020 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es de acceso
abierto
artículo distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).