IA et radiologie péri-implantaire : où en est la précision diagnostique ?

L'interprétation des radiographies péri-implantaires reste un défi quotidien au cabinet, particulièrement pour la détection précoce des pertes osseuses marginales et la classification des défauts liés à la péri-implantite. Si l'intelligence artificielle (IA) a déjà largement investi le champ de la détection lésionnelle, sa fiabilité réelle pour la mesure quantitative, la gradation de la sévérité et, surtout, son applicabilité clinique concrète, demeuraient jusqu'ici moins documentées.

Cette revue systématique et méta-analyse, dont les recherches ont été menées jusqu'au 25 mai 2026, évalue les performances des modèles d'IA spécifiquement dédiés à l'évaluation radiographique des variations du niveau osseux et des défauts péri-implantaires. L'objectif était de synthétiser les données issues de douze études originales utilisant diverses modalités d'imagerie, allant des clichés rétro-alvéolaires et panoramiques aux images dérivées du CBCT.

L'étude n'a pas testé d'hypothèse biologique unique, mais a cherché à objectiver les capacités diagnostiques des architectures actuelles (notamment Faster R-CNN, YOLO, U-Net et Mask R-CNN). L'analyse s'est concentrée sur la mesure de la précision, de la sensibilité et de la spécificité interne des modèles. Les auteurs visent ici à déterminer si ces outils peuvent s'imposer comme des systèmes de diagnostic autonomes ou s'ils doivent se limiter au rôle d'aide à la décision radiographique face à la variabilité des données cliniques actuelles.

Méthodologie : comment l'IA passe au crible les défauts osseux

Cette revue systématique et méta-analyse, dont la recherche documentaire s'est étendue jusqu'au 25 mai 2026, a examiné la performance des modèles d'intelligence artificielle (IA) dans l'évaluation radiographique de la perte osseuse marginale péri-implantaire. Les auteurs ont interrogé plusieurs bases de données majeures, dont PubMed/MEDLINE, Embase, Web of Science, Scopus, Cochrane Library et IEEE Xplore, complétées par une recherche sur Google Scholar et un suivi des citations.

Pour être incluses, les études originales devaient utiliser des méthodes basées sur l'IA pour évaluer la perte osseuse marginale, les changements de niveau osseux ou les défauts liés à la péri-implantite sur des clichés dentaires. Au total, 12 études ont été retenues pour l'analyse.

• Modalités d'imagerie : Radiographies périapicales, panoramiques (orthopantomogrammes), clichés intra-oraux et imagerie issue de CBCT.
• Architectures IA : Les approches variaient selon l'objectif clinique : Faster R-CNN, YOLO, AlexNet et classifieurs CNN pour la détection ; U-Net et Mask R-CNN pour la segmentation ; R-CNN modifié et YOLOv8-pose pour les mesures ; et un flux de travail en cascade (multi-stage deep learning cascade workflow) pour la quantification longitudinale.
• Analyse statistique : Des méta-analyses à effets aléatoires ont été réalisées pour les métriques de performance interne quand au moins trois études étaient comparables. Cinq études ont permis de pooler la précision (moyenne : 0,934 ; IC à 95 % : 0,874–0,967), tandis que trois études ont fourni des données sur la sensibilité (0,930) et la spécificité (0,961).

En raison d'une hétérogénéité substantielle (I² allant de 82,9 % à 96,4 %), les résultats ont été interprétés comme des synthèses descriptives des performances internes des modèles plutôt que comme des mesures de précision diagnostique absolue.

Indicateurs de performance interne

Cette revue systématique et méta-analyse, incluant 12 études originales, met en lumière une performance prometteuse des modèles d'intelligence artificielle pour le diagnostic radiographique des pertes osseuses péri-implantaires. L'hétérogénéité marquée des données (I² allant de 82,9 % à 96,4 %) impose toutefois une lecture prudente de ces chiffres : ils reflètent des capacités internes de traitement plutôt qu'une précision diagnostique clinique standardisée.

Diversité des architectures et des modalités

Les modèles analysés exploitent une large gamme d'imageries : radiographies périapicales, panoramiques, intra-orales et coupes issues de CBCT. Les architectures diffèrent selon la complexité de la tâche :

• Détection et classification : Utilisation prédominante de Faster R-CNN, modèles basés sur YOLO, AlexNet et classificateurs CNN.
• Segmentation : Recours à U-Net ou Mask R-CNN.
• Mesure et quantification : Emploi de R-CNN modifiés, YOLOv8-pose ou pipelines de traitement d'image dédiés.

Un seul protocole a intégré un flux de travail en cascade par apprentissage profond multi-étapes pour la quantification longitudinale. La précision, la classification de sévérité et les mesures keypoint-based n'ont pas pu être poolées statistiquement en raison de l'incohérence des schémas de classification et des métriques rapportées entre les études.

Limites cliniques

Le point faible majeur réside dans la méthodologie : la quasi-totalité des travaux repose sur une validation interne. Aucune étude n'a fourni de validation externe robuste ou d'évaluation prospective en flux de travail clinique réel. Les modèles actuels ne peuvent donc prétendre au statut de système de diagnostic autonome pour la péri-implantite.

Intelligence artificielle et péri-implantite : quel crédit accorder aux modèles actuels ?

Cette méta-analyse, portant sur 12 études, examine les capacités de l'intelligence artificielle (IA) dans l'évaluation radiographique de la perte osseuse marginale et des défauts péri-implantaires. Avec une précision globale poolée de 0,934, une sensibilité de 0,930 et une spécificité de 0,961, les modèles affichent des performances prometteuses lors des validations internes. Ces chiffres suggèrent une réelle aptitude à automatiser le dépistage, bien que l'importante hétérogénéité statistique (I² jusqu'à 96,4 %) impose une prudence clinique majeure.

Le point faible de ces travaux réside dans la méthodologie. Aucun modèle n'a fait l'objet d'une validation externe rigoureuse ni d'une évaluation prospective en conditions réelles de flux de travail. Contrairement à d'autres domaines de l'imagerie dentaire où l'IA commence à standardiser les diagnostics, l'évaluation des défauts péri-implantaires souffre ici d'une absence de standards de référence uniformes. Ces outils ne peuvent donc être envisagés aujourd'hui que comme des aides à la décision, et non comme des systèmes de diagnostic autonomes.

Information destinée aux professionnels de santé. Ce contenu peut comporter des erreurs ou des résumés tronqués. Nous recommandons de toujours vérifier avec l'article source original. Delynov se décharge de toute responsabilité quant à l'utilisation de ces informations. Ce document n'est pas destiné aux patients ni au grand public.