Article original

Apport de l’intelligence artificielle dans la prévision de croissance mandibulaire : revue systématique de la littérature

Contribution of artificial intelligence in mandibular growth prediction: a systematic review of the literature

Service d’Orthopédie dento-faciale (UFR de Sciences Odontologiques), Université de Bordeaux

Adresse pour correspondance : edouard.brouchet@gmail.com

Reçu : 25 Février 2024
Accepté : 28 Mars 2024

Résumé

L’orthodontiste intervient principalement auprès d’enfants en cours de croissance. L’examen clinique initial ne fournit qu’une image statique qui doit être interprétée en tenant compte de son évolution potentielle. Une prédiction précise de la croissance mandibulaire, permettrait au praticien d’améliorer le diagnostic, la planification du traitement et ainsi la prise en charge du patient.

De nombreux travaux de recherche ont été menés, basés sur des signes structuraux, des analyses céphalométriques et des valeurs d’agrandissement moyen, mais restent imprécis. Les limites rapportées comprennent principalement une variabilité interindividuelle extrême, des schémas de croissance variables selon l’âge, un manque de signes structuraux caractéristiques avant la puberté, l’utilisation de normes statistiques et de résultats dépendant directement de l’expérience du clinicien. À ce jour, il n’existe aucun consensus sur la meilleure méthode pour prédire la croissance mandibulaire, et l’orthodontiste ne peut se fier uniquement à son intuition d’expert.

Ces dernières années, la combinaison de l’intelligence artificielle (IA) et des sciences cognitives dans le domaine médical a révolutionné l’interprétation des radiographies. Les techniques d’apprentissage automatique (ML) et profond (DL) représentent une approche novatrice grâce à leur capacité à analyser d’énormes volumes de données tout en éliminant les biais humains.

L’objectif de cette revue systématique était d’examiner les différents résultats des prévisions de croissance mandibulaire par intelligence artificielle chez des patients en cours de croissance. Ces résultats suggèrent que nous ne sommes encore qu’aux débuts de l’orthodontie tirant parti du diagnostic et de la prise de décision de l’IA, mais ces modèles de prévision de croissance devraient devenir, dans un avenir proche, des systèmes de support clinique fiables pour les orthodontistes.

Abstract

Orthodontists work mainly with growing children. The initial clinical examination provides only a static image, which must be interpreted in the light of its potential evolution. Accurate prediction of mandibular growth would enable the practitioner to improve diagnosis, treatment planning and patient management.

A great deal of research has been carried out, based on structural signs, cephalometric analysis and mean magnification values, but these remain imprecise. Reported limitations include extreme inter-individual variability, variable growth patterns according to age, lack of characteristic structural signs before puberty, use of statistical standards and results directly dependent on the clinician’s experience. To date, there is no consensus on the best method for predicting mandibular growth, and the orthodontist cannot rely solely on his or her expert intuition.

In recent years, the combination of artificial intelligence (AI) and cognitive sciences in the medical field has revolutionized the interpretation of X-rays. Machine learning (ML) and deep learning (DL) techniques represent an innovative approach thanks to their ability to analyze huge volumes of data while eliminating human bias.

The aim of this systematic review was to examine the different results of mandibular growth prediction using artificial intelligence in growing patients. These results suggest that we are still in the early stages of orthodontics taking advantage of AI diagnosis and decision-making, but these growth prediction models should become reliable clinical support systems for orthodontists in the near future.