USO DE UM ALGORITMO BASEADO EM INTELIGÊNCIA ARTIFICIAL PARA AVALIAR A POSIÇÃO DE TERCEIROS MOLARES INFERIORES

Abstract

Objetivo: Desenvolver e validar um modelo preditivo baseado em inteligência artificial para classificação da posição de terceiros molares inferiores em radiografias panorâmicas, segundo a subclassificação de Pell & Gregory. Material e Métodos: Foram analisadas 950 radiografias panorâmicas digitais, distribuindo os elementos dentários em três classes (Classe I: n = 684; Classe II: n = 639; Classe III: n = 435). Foi implementada uma arquitetura do tipo ensemble, combinando duas redes neurais convolucionais pré-treinadas (ResNet-18 e EfficientNet-B0) com estratégia de transfer learning progressivo. As imagens monocromáticas foram adaptadas para canal único, preservando os pesos do pré-treinamento. Para mitigação do desbalanceamento entre classes, foram empregadas amostragem ponderada, ponderação na função de perda e label smoothing. Aplicaram-se técnicas de aumento de dados específicas para imagens médicas, incluindo rotações controladas, transformações afins, ajustes de nitidez, equalização histográfica e técnica mixup. A fusão das arquiteturas foi realizada por concatenação das representações extraídas, seguida de camadas totalmente conectadas com dropout progressivo e normalização por lote. O treinamento utilizou o otimizador AdamW com taxas de aprendizado discriminativas, agendador CosineAnnealingWarmRestarts, validação cruzada estratificada (80/20), early stopping e test-time augmentation. A avaliação incluiu acurácia, precisão, recall, F1-score e curva ROC, adotando-se nível de significância de 5%. Resultados: O modelo alcançou acurácia global de 82,7% no conjunto de validação (n = 352). A Classe I apresentou os melhores indicadores (precisão = 0,895; recall = 0,934; F1-score = 0,914), seguida da Classe II (F1-score = 0,769) e Classe III (F1-score = 0,768). O F1-score médio macro foi de 0,817 e o ponderado de 0,826, indicando desempenho consistente mesmo diante da distribuição desigual das classes. A análise das curvas de treinamento demonstrou adequada convergência, com redução progressiva do loss e ausência de sobreajuste significativo. Conclusão: O modelo ensemble baseado em redes neurais convolucionais demonstrou desempenho robusto e potencial aplicabilidade clínica como ferramenta auxiliar na avaliação pré-operatória da posição de terceiros molares inferiores.