IA et radiologie dentaire : une approche intelligente pour classifier les caries sur radiographies
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
