Intelligence artificielle et bitewings : vers une automatisation du diagnostic parodontal selon la classification AAP/EFP

La parodontite reste une pathologie inflammatoire majeure dont le diagnostic conventionnel repose sur le sondage clinique et l'interprétation radiographique. Cependant, ces méthodes souffrent d'une variabilité inter-examinateur significative, compliquant la standardisation des bilans à grande échelle.

L'objectif de cette étude était de développer et de valider un algorithme de machine learning capable de classifier l'état de santé parodontale et la parodontite en s'appuyant sur la mesure de la perte osseuse alvéolaire sur des clichés rétro-alvéolaires de type bitewing.

L'hypothèse repose sur la capacité d'un modèle automatisé à s'aligner avec précision sur la classification 2018 de l'AAP/EFP (American Academy of Periodontology / European Federation of Periodontology) pour offrir un dépistage reproductible et rapide.

Méthodologie de l'étude

Cette étude rétrospective a analysé une base de données radiographiques conséquente pour entraîner et tester l'algorithme :

• Échantillon : 1 537 clichés bitewing sélectionnés sur un total initial de 2 162.
• Mesures : La perte osseuse alvéolaire a été mesurée de la jonction émail-cément (JEC) à la crête alvéolaire via le logiciel MiPACS.
• Validation : Les mesures ont été validées par des examinateurs calibrés (coefficient de corrélation κ = 0,94).
• Modélisation : Utilisation du classificateur Random Forest (RF) après optimisation des hyperparamètres sur des sets d'entraînement, de validation et de test.

Performance exceptionnelle du modèle Random Forest

Le modèle Random Forest a démontré une précision remarquable lors de la phase de validation, atteignant un score de 96,4 %. Sur un ensemble de données de test indépendant et totalement inédit pour l'algorithme, la précision s'est maintenue à un niveau élevé de 92 %.

Sensibilité et spécificité du diagnostic automatisé

L'algorithme a prouvé sa capacité à identifier correctement les pathologies. Dans le set de validation, la sensibilité pour la parodontite était de 100 %, avec une aire sous la courbe (AUC) de 0,99. Sur le set de test final, la sensibilité est restée robuste avec 94 % pour les cas sains et 92 % pour les parodontites, affichant une AUC de 0,97.

Optimisation du triage et de la cohérence diagnostique

Les résultats indiquent que l'automatisation permet non seulement de gagner en rapidité, mais surtout de garantir une cohérence diagnostique alignée sur les standards internationaux de 2018. Cela ouvre la voie à un dépistage communautaire efficace et à une intervention précoce facilitée par une analyse objective des clichés radiographiques standards.

Concrètement, pour le praticien :

• Fiabilité : L'outil offre une précision diagnostique de 92 % sur des clichés bitewings, réduisant les risques d'erreurs d'interprétation humaine lors du dépistage initial.
• Standardisation : L'algorithme assure une classification strictement conforme aux critères AAP/EFP 2018, facilitant la communication entre confrères et le suivi longitudinal.
• Efficience : Ce système permet un triage rapide des patients en cabinet ou lors de bilans de santé publique, identifiant prioritairement les cas nécessitant une intervention parodontale complexe.

Lexique technique de l'étude

Machine learning (Apprentissage automatique) : Branche de l'intelligence artificielle permettant aux ordinateurs d'apprendre à partir de données pour réaliser des tâches de classification ou de prédiction.

Random Forest (Forêt aléatoire) : Algorithme d'apprentissage supervisé qui combine plusieurs arbres de décision pour obtenir une classification plus précise et stable.

Perte osseuse alvéolaire : Diminution de la hauteur de l'os de soutien des dents, mesurée ici entre la jonction émail-cément et la crête alvéolaire.

Sensibilité : Capacité d'un test à identifier correctement les individus atteints d'une maladie (vrais positifs).

AUC (Area Under the Curve) : Indicateur de performance d'un modèle de classification ; plus la valeur est proche de 1, plus le modèle est performant.

Classification AAP/EFP 2018 : Standard international actuel pour la classification des maladies parodontales et péri-implantaires.

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.