Une récente étude propose une méthode innovante de classification des lésions carieuses sur radiographies dentaires. En combinant plusieurs techniques d’intelligence artificielle, cette approche vise à améliorer la précision du diagnostic, en particulier pour les caries peu visibles à l’examen clinique. Elle s’inscrit dans la dynamique de modernisation des outils d’aide au diagnostic pour les chirurgiens-dentistes.
Un enjeu clinique majeur : fiabiliser la lecture des radiographies
L’interprétation des radiographies dentaires, bien qu’indispensable dans le diagnostic des caries, reste soumise à de nombreuses incertitudes : qualité d’image variable, faible contraste, chevauchement anatomique… Ces limites peuvent conduire à des erreurs d’interprétation, en particulier pour les lésions débutantes. Dans ce contexte, l’intelligence artificielle devient un atout potentiel pour assister le praticien sans le remplacer.
Une méthode hybride : FCM-FRWS et MDOT
Les auteurs de l’étude ont développé une méthode combinant plusieurs techniques :
- Fuzzy C-Means (FCM) : un algorithme de segmentation floue permettant d’identifier des régions suspectes en tenant compte de la variabilité des intensités de pixels.
- Feature Reduction with Weighted Scheme (FRWS) : une méthode qui réduit le nombre de caractéristiques extraites de l’image, tout en attribuant à chacune un poids selon sa pertinence diagnostique.
- MDOT (Morphological Dilation with Optimal Thresholding) : une technique morphologique utilisée pour affiner la délimitation des zones carieuses détectées.
Ce modèle hybride se distingue par une capacité à fonctionner avec des jeux de données de taille modérée, sans nécessiter d’apprentissage profond complexe. Cela le rend plus facilement adaptable à des contextes cliniques quotidiens.
Une validation sur près de 900 radiographies
L’algorithme a été testé sur un total de 890 radiographies numériques. Les résultats montrent une efficacité notable :
- Précision globale : 91,62 %
- Sensibilité : 91,78 %
- Spécificité : 91,26 %
- Coefficient de Dice : 90,74 %
- Score d’intersection sur union (IoU) : 83,90 %
Ces performances indiquent une capacité élevée à identifier correctement les caries, tout en limitant les faux positifs et les faux négatifs.
Perspectives cliniques
L’intérêt de cette technologie réside dans sa capacité à agir comme un assistant au fauteuil. Elle pourrait :
- aider à détecter des lésions débutantes peu visibles.
- réduire la variabilité interpraticiens dans la lecture des clichés.
- faire gagner du temps dans les analyses radiographiques.
- s’intégrer à des logiciels existants de gestion de l’imagerie.
Cependant, des étapes restent nécessaires avant une utilisation à large échelle : validation clinique multicentrique, développement d’une interface conviviale, compatibilité avec les systèmes d’imagerie en place.
Source :
Chowdhury, S., Sultana, S., Hossain, M.A. et al. Fuzzy based classification method for dental caries using feature reduction and weighted scheme. Scientific Reports, 14, 1131 (2026). https://doi.org/10.1038/s41598-026-35735-8
