Article original

Intelligence artificielle et analyse céphalométrique Évaluation comparative des tracés céphalométriques automatisés par IA versus tracés manuels humains

Artificial intelligence and cephalometric analysis Comparative evaluation of ai-automated cephalometric tracings versus human manual tracings

¹ SQODF ( Pont-à-Mousson )
² ODMF ( Nantes )

^* Adresse pour correspondance : Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.

Reçu : 28 Mai 2026
Accepté : 14 Juin 2026

Résumé

Contexte : L’analyse céphalométrique constitue un pilier fondamental du diagnostic en orthodontie et en orthopédie maxillo-dento-faciale (ODF/OMDF) et de la planification thérapeutique. Traditionnellement réalisée manuellement, cette procédure est chronophage, opérateur-dépendante et sujette à une variabilité inter- et intra-observateur significative. L’émergence de l’intelligence artificielle (IA), en particulier l’apprentissage profond, a ouvert de nouvelles perspectives pour l’automatisation de l’identification des repères céphalométriques.

Objectif : Cette revue vise à évaluer de manière critique les performances des systèmes d’analyse céphalométrique pilotés par IA, en comparaison avec le tracé manuel, en termes de précision, reproductibilité, efficience temporelle et pertinence clinique.

Méthode : Recherche bibliographique structurée dans PubMed, Scopus, Web of Science et la littérature grise (2017-mars 2025). Les études retenues portaient sur la détection automatisée de repères céphalométriques par réseaux de neurones convolutifs (CNN : Convolutional Neural Network) sur téléradiographies latérales 2D et imagerie CBCT 3D, comparée au tracé manuel. Critères : erreur radiale moyenne (ERM ou MRE : mean radial error), taux de détection réussie (SDR : Successful Detection Rate) au seuil de 2 mm, mesures angulaires et linéaires dérivées.

Résultats : Les systèmes d’IA atteignent des SDR de 75 à 90 % au seuil de 2 mm, avec une MRE méta-analytique de 1,39 mm. Les mesures dentaires montrent un bon accord avec le tracé manuel, tandis que les mesures squelettiques et des tissus mous présentent des divergences cliniquement significatives. Le temps d’exécution est inférieur à une minute pour l’IA contre 15 à 30 minutes pour le tracé manuel.

Conclusion : L’IA représente un outil d’assistance prometteur mais ne peut se substituer à la supervision d’un orthodontiste expérimenté. La collaboration débutant-IA améliore les performances du débutant seul. Les données actuelles soutiennent surtout un pré-tracé IA validé par clinicien, sans supériorité universelle démontrée sur l’expert 27. Des études multicentriques prospectives restent nécessaires.

Abstract

Background: Cephalometric analysis is a fundamental pillar of orthodontic diagnosis and treatment planning. The emergence of artificial intelligence (AI), particularly deep learning, has opened new perspectives for the automation of cephalometric landmark identification.

Objective: This literature review aims to critically assess the performance of AI-driven cephalometric analysis systems in comparison with manual tracing performed by experienced clinicians, in terms of accuracy, reproducibility, time efficiency, and clinical relevance.

Method: A systematic search was conducted in PubMed, Scopus, Web of Science, and the grey literature (2017–March 2025). The main evaluation criteria were mean radial error (MRE), successful detection rate (SDR) at the 2 mm threshold, and derived angular and linear measurements.

Results: AI systems achieve SDR of 75% to 90% at the 2 mm threshold, with a meta-analytic MRE of 1.39 mm. Dental measurements show good agreement with manual tracing, whereas skeletal and soft-tissue measurements exhibit clinically significant discrepancies. Execution time is less than one minute for AI.

Conclusion: AI represents a promising assistive tool but cannot replace supervision by an experienced orthodontist. Human-AI collaboration appears to be the most effective model.