Inteligência artificial e fotografia bucal: aproximação à epidemiologia da cárie dentária
DOI:
https://doi.org/10.11606/s15188787.2025059006910Palabras clave:
Cárie Dentária, Inteligência Artificial, Epidemiologia, Diagnóstico, Fotografia DentalResumen
OBJETIVO: A cárie dentária configura-se como importante problema de saúde pública, considerando sua alta prevalência ao redor do mundo, seu impacto na qualidade de vida das pessoas e a existência de métodos eficazes para seu controle e prevenção. O objetivo do presente estudo foi identificar na literatura científica o estado da arte relativo ao diagnóstico da cárie por meio da inteligência artificial que pudesse representar futuros avanços da sua utilização na epidemiologia em saúde bucal. MÉTODOS: Foi realizada revisão de escopo a partir da estratégia de busca definida nas principais bases da área da saúde, nas quais foram identificados 1.439 artigos com os descritores ou palavras-chave relacionados à cárie, diagnóstico e inteligência artificial. RESULTADOS: Após análise, dezessete artigos científicos compuseram a amostra final. Desses artigos, 94,1% são bastante recentes, uma vez que foram publicados a partir de 2020. Apesar dos artigos terem sido desenvolvidos na perspectiva clínica, seus objetivos, resultados e conclusões sinalizam a possibilidade da efetividade da inteligência artificial como ferramenta estratégica para a epidemiologia. A utilização de fotografias frontais, laterais e oclusais permitiram o diagnóstico de cárie de todas as faces dos dentes. CONCLUSÃO: É fundamental investir-se em alternativas relacionadas à inteligência artificial e fotografias bucais para substituição dos tradicionais inquéritos epidemiológicos, o que permitirá o desenvolvimento pleno da vigilância em saúde bucal.
Referencias
1. Daly B, Watt R, Batchelor P, Treasure E. Essential Dental Public Health [Internet]. New York: Oxford University Press, 2020 [citado 2025 jun 14]. Disponível em: https://doi.org/10.1093/oso/9780199679379.001.0001
2. World Health Organization. Global oral health status report: towards universal health coverage for oral health by 2030 [Internet]. Geneva: WHO; 2022 [citado 2025 jun 14]. Disponível em: https://www.who.int/publications/i/item/9789240061484
3. Campêlo MCC, Lins RML, Alves GF, Costa JCS, Santos Júnior VE. Avaliação do impacto da dor de dente, da cárie não tratada e suas consequências na qualidade de vida de crianças brasileiras. RFO UPF 2020;25(1):88-95. https://doi.org/10.5335/rfo.v25i1.10236
4. Gonçalves MJN, Wanderley FGC, Silva RA, Almeida TF. Absenteísmo por causa odontológica: uma revisão de literatura relacionada à ausência no trabalho e a saúde bucal do trabalhador. RFO UPF 2015;20(2):264-70. https://doi.org/10.5335/rfo.v20i2.4466
5. Roncalli AG, Noro LRA, Cury JA, Zilbovicius C, Pinheiro HHC, Ely HC, et al. Fluoretação da água no Brasil: distribuição regional e acurácia das informações sobre vigilância em municípios com mais de 50 mil habitantes. Cad Saude Publica. 2019;35(6):1-12. https://doi.org/10.1590/0102-311x00157918
6. Rouquayrol MZ, Moysés G, Santana EWP, Gondim APS. Epidemiologia, história natural, determinação social, prevenção de doenças e promoção da saúde. In: Rouquayrol MZ, Silva MGC. Epidemiologia e Saúde. 8. ed. Rio de Janeiro: Medbook; 2018.
7. Ministério da Saúde (BR). Divisão Nacional de Saúde Bucal. Levantamento Epidemiológico em Saúde Bucal: Brasil, zona urbana. Brasília: Ministério da Saúde; 1986.
8. Ministério da Saúde (BR). Projeto SB Brasil 2003: condições de saúde bucal da população brasileira 2002-2003: resultados principais. Brasília: Ministério da Saúde; 2004.
9. Roncalli AG. Projeto SB Brasil 2010: elemento estratégico na construção de um modelo de vigilância em saúde bucal. Cad Saude Publica 2010;26(3):428-9. https://doi.org/10.1590/S0102-311X2010000300001
10. Albano D, Galiano V, Basile M, Di Luca F, Gitto S, Messina C, et al. Artificial intelligence for radiographic imaging detection of caries lesions: a systematic review. BMC Oral Health. 2024;24:274. https://doi.org/10.1186/s12903-024-04046-7
11. Anil S, Porwal P, Porwal A. Transforming dental caries diagnosis through artificial intelligencebased techniques. Cureus. 2023;15(7):e41694. https://doi.org/10.7759/cureus.41694
12. Nogueira SAN, Bastos LF, Costa ICC. Riscos Ocupacionais em Odontologia: Revisão da Literatura. UNOPAR Cient Cienc Biol Saude. 2010;12(3):11-20.
13. Mohammad-Rahimi H, Motamedian SR, Rohban MH, Krois J, Uribe SE, Mahmoudinia E, et al. Deep learning for caries detection: a systematic review. J Dent. 2022;122:104115. https://doi.org/10.1016/j.jdent.2022.104115
14. Qari AH, Hadi M, Alaidarous A, Aboalreesh A, Alqahtani M, Bamaga IK, et al. The accuracy of asynchronous tele-screening for detecting dental caries in patient-captured mobile photos: a pilot study. Saudi Dent J. 2024;36(1):105-11. https://doi.org/10.1016/j.sdentj.2023.10.006
15. Peters MDJ, Godfrey C, McInerney P, Munn Z, Trico AC, Khalil H. Chapter 11: Scoping reviews. In: Aromataris E, Munn Z, editors. JBI Manual for Evidence Synthesis. Adelaide: Joanna Brigs Institute; 2020. p. 407-52.
16. Tricco AC, Lillie E, Zarin W, O’Brien KK, Colquhoun H, Levac D, et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): checklist and explanation. Ann Intern Med. 2018;169:467-73. https://doi.org/10.7326/M18-0850
17. Xiao J, Luo JB, Ly-Mapes O, Wu TT, Dye T, Al Jallad N, et al. Assessing a smartphone app (AICaries) that uses artificial intelligence to detect dental caries in children and provides interactive oral health education: protocol for a design and usability testing study. JMIR Res Protoc. 2021;10(10):e32921. https://doi.org/10.2196/32921
18. Duong DL, Kabir MH, Kuo RF. Automated caries detection with smartphone color photography using machine learning. Health Inform J. 2021;27(2). https://doi.org/10.1177/14604582211027744
19. Thanh MTG, Toan NV, Ngoc VTN, Tra NT, Giap CN, Nguyen DM. Deep learning application in dental caries detection using intraoral photos taken by smartphones. Appl Sci-Basel. 2022;12(11):5504. https://doi.org/10.3390/app12115504
20. Estai M, Kanagasingam Y, Mehdizadeh M, Vignarajan J, Norman R, Huang B, et al. Mobile photographic screening for dental caries in children diagnostic performance compared to unaided visual dental examination. J Public Health Dent. 2022;82:166-75. https://doi.org/10.1111/jphd.12443
21. Al-Jallad N, Ly-Mapes O, Hao P, Ruan J, Ramesh A, Luo J, et al. Artificial Intelligence-powered smartphone application ALCaries improves at home dental caries screening in children: moderated and unmoderated usability test. PLOS Digit Health. 2022;1(6):e0000046. https://doi.org/10.1371/journal.pdig.0000046.
22. Ding B, Zhang Z, Liang Y, Wang W, Hao S, Meng Z, et al. Detection of dental caries in oral photographs taken by mobile phones based on the YOLOv3 algorithm. Ann Transl Med. 2021;9(21):1622. https://doi.org/10.21037/atm-21-4805
23. Zhang X, Liang Y, Li W, Liu C, Gu D, Sun WB, et al. Development and evaluation of deep learning for screening dental caries from oral photographs. Oral Dis. 2022;28(1):173-81. https://doi.org/10.1111/odi.13735
24. Tareq A, Faisal MI, Islam MS, Rafa NS, Chowdhury T, Ahmed S, et al. Visual diagnostics of dental caries through deep learning of non-standardised photographs using a hybrid yolo ensemble and transfer learning model. Int J Environ Res Public Health. 2023;20(7):5351. https://doi.org/10.3390/ijerph20075351
25. Berdouses ED, Koutsouri GD, Tripoliti EE, Matsopoulos GK, Oulis CJ, Fotiadis DI. A computer-aided automated methodology for the detection and classification of occlusal caries from photographic color images. Comput Biol Med. 2015;62:119-35. https://doi.org/10.1016/j.compbiomed.2015.04.016
26. Askar H, Krois J, Rohrer C, Mertens S, Elhennawy K, Ottolenghi L, et al. Detecting white spot lesions on dental photography using deep learning: a pilot study. J Dent. 2021;107:103615. https://doi.org/10.1016/j.jdent.2021.103615
27. Rashid U, Javid A, Khan AR, Liu L, Ahmed A, Khalid O, et al. A hybrid mask RCNN-based tool to localize dental cavities from real-time mixed photographic images. PeerJ Comput. Sci. 2022;18(8):e888. https://doi.org/10.7717/peerj-cs.888
28. Kühnisch J, Meyer O, Hesenius M, Hickel R, Gruhn V. Caries detection on intraoral images using artificial intelligence. J Dent Res. 2022;101(2):158-65. https://doi.org/10.1177/00220345211032524
29. Park EY, Cho H, Kang S, Jeong S, Kim EK. Caries detection with tooth surface segmentation on intraoral photographic images using deep learning. BMC Oral Health 2022;22:573. doi.org/10.1186/s12903-022-02589-1.
30. Xiong YS, Zhang HY, Zhou SY, Lu MH, Huang JH, Huang QT, et al. Simultaneous detection of dental caries and fissure sealant in intraoral photos by deep learning: a pilot study. BMC Oral Health. 2024;24:553. https://doi.org/10.1186/s12903-024-04254-1
31. Engels P, Meyer O, Schonewolf J, Schlickenrieder A, Hickel R, Hesenius M, et al. Automated detection of posterior restorations in permanent teeth using artificial intelligence on intraoral photographs. J Dent. 2022;121:104124. https://doi.org/10.1016/j.jdent.2022.104124
32. Al-Sayyed R, Taqateq AM, Al-Sayyed R, Suleiman D, Shukri S, Alhenawi E, et al. Employing CNN ensemble models in classifying dental caries using oral photographs. Int J Data Netw Sci. 2023;7(4):1535-50. https://doi.org/10.5267/j.ijdns.2023.8.009
33. Kaul V, Enslin S, Gross SA. History of artificial intelligence in medicine. Gastrointest Endosc 2020;92(4):807-12. https://doi.org/10.1016/j.gie.2020.06.040
34. Khanagar SB, Alfouzan K, Awawdeh M, Alkadi L, Albalawi F, Alfadley A. application and performance of artificial intelligence technology in detection, diagnosis and prediction of dental caries (DC): a systematic review. Diagnostics (Basel). 2022;12(5):1083. https://doi.org/10.3390/diagnostics12051083
35. Moharrami M, Farmer J, Singhal S, Watson E, Glogauer M, Johnson AEW, et al. Detecting dental caries on oral photographs using artificial intelligence: a systematic review. Oral Dis. 2024;30(4):1765-83. https://doi.org/10.1111/odi.14659
36. Willemink MJ, Noël PB. The evolution of image reconstruction for CT — from filtered back projection to artificial intelligence. Eur Radiol. 2019;29:2185-95. https://doi.org/10.1007/s00330-018-5810-7
37. Radha RC, Raghavendra BS, Subhash BV, Rajan J, Narasimhadhan AV. Machine learning techniques for periodontitis and dental caries detection: a narrative review. Int J Med Inform. 2023;178:105170. https://doi.org/10.1016/j.ijmedinf.2023.105170
38. Silveira DP, Artmann E. Acurácia em métodos de relacionamento probabilístico de bases de dados em saúde: revisão sistemática. Rev Saude Publica. 2009;43(5):875-82. https://doi.org/10.1590/S0034-89102009005000060
39. Yu ASO, Nardy A, Hirano HI, Oliveira JFA de, Ribeiro N de V, Grando N. Tomada de decisão nas organizações: o que muda com a Inteligência Artificial?. Estud Av. 2024;38(111):327-48. https://doi.org/10.1590/s0103-4014.202438111.017
40. Kitsios F, Kamariotou M, Syngelakis AI, Talias MA. Recent advances of artificial intelligence in healthcare: a systematic literature review. Appl Sci-Basel. 2023;13(13):7479. https://doi.org/10.3390/app13137479
41. Celuppi IC, Mohr ETB, Felisberto M, Rodrigues TS, Hammes JF, Cunha CL, et al. Ten years of the Citizen’s Electronic Health Record e-SUS Primary Healthcare: in search of an electronic Unified Health System. Rev Saude Publica. 2024;58:23. https://doi.org/10.11606/s1518-8787.2024058005770
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Luiz Roberto Augusto Noro, Maria Cristina Manzanares Céspedes
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Datos de los fondos
-
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
Números de la subvención 88887.717096/2022-00 – 2023
