Clasificación automatizada de tejido óseo en imágenes CBCT mediante aprendizaje profundo con ResNet50 y la taxonomía de Wang et al (2023)

Abstract

La evaluación precisa de la calidad ósea en zonas edéntulas es fundamental para la planificación de tratamientos implantológicos exitosos. Sin embargo, las metodologías convencionales presentan un alto grado de subjetividad diagnóstica. A pesar del uso generalizado de tomografías de haz cónico (CBCT), aún no existen herramientas automatizadas y objetivas que permitan clasificar de forma fiable el tejido óseo. Este estudio propone el desarrollo de un modelo de aprendizaje profundo basado en transfer learning con ResNet50, entrenado con imágenes CBCT clasificadas según la reciente taxonomía de Wang et al. (2023), (1), la cual contempla nueve tipos de tejido óseo (A1–C3), definidos por el espesor cortical y la densidad del hueso esponjoso.Objetivo: Desarrollar e implementar un modelo de aprendizaje automático que identifique la calidad ósea de zonas edéntulas utilizando la clasificación de nueve proporciones óseas (Wang, et al., 2023), (1) en imágenes tomográficas de haz cónico (CBCT). Metodología Se construyó una base de datos con 1.553 cortes axiales CBCT extraídos de zonas edéntulas de pacientes, clasificados manualmente siguiendo dicha taxonomía. Las imágenes fueron obtenidas con el equipo 3D Accuitomo 170 (J. Morita, Japón) y procesadas en el software i.Dixel One Volume Viewer. El modelo fue entrenado, validado y evaluado utilizando métricas de desempeño por clase: precisión, recall, F1-score y AUC. Resultados: Los resultados muestran un desempeño global del modelo con una exactitud del 87%, AUC superior a 0.93 en todas las clases, y métricas equilibradas (macro y weighted average en precisión y F1-score ≈ 0.86–0.87). Las clases con menor desempeño (A3 y B2) se asociaron a similitudes radiográficas con otras categorías, resaltando la necesidad de bases de datos más extensas y variadas. Conclusiones: En este estudio desarrollamos un modelo de aprendizaje profundo basado en ResNet50 y transferencia de aprendizaje para clasificar automáticamente tipos de tejido óseo en imágenes CBCT, utilizando la clasificación de Wang et al. (2023), (1). El modelo alcanzó una exactitud del 87%, valores AUC superiores al 0.93 en todas las clases, y un desempeño robusto en precisión, recall y F1-score.Este enfoque representa una propuesta original en el campo odontológico, ya que no se encontraron modelos previos aplicados específicamente a la clasificación ósea con fines implanto lógicos usando esta taxonomía. Además, contribuye a reducir la subjetividad diagnóstica, mejorar la reproducibilidad clínica y apoyar la toma de decisiones quirúrgicas. Si bien el modelo mostró resultados sólidos, su rendimiento podría optimizarse en clases con menor soporte y mayor similitud radiológica. Se recomienda ampliar la base de datos, validar en diferentes entornos clínicos y explorar herramientas de interpretabilidad. En conjunto, este trabajo demuestra el potencial de la inteligencia artificial para transformar la evaluación del tejido óseo en odontología, haciendo el diagnóstico más objetivo, eficiente y clínicamente útil.