Inteligencia artificial en el diagnóstico, tratamiento y pronóstico en Endodoncia: revisión exhaustiva de la literatura
Loading...
Date
2025-09-16
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
The objective of this article is to conduct a comprehensive review of the applications of artificial intelligence (AI) in endodontics, focusing on diagnosis, treatment, and prognosis. To compile the information, a search was conducted in the scientific databases PubMed, Scopus, ScienceDirect, and Google Scholar, selecting studies in English between 2016 and 2025. After applying inclusion and exclusion criteria and removing duplicates, 51 articles were included. In diagnosis, AI models based on convolutional neural networks (CNN), such as Diagnocat, have demonstrated over 90% accuracy in detecting periapical lesions using radiographs and CBCT. Likewise, AI algorithms have been able to identify vertical root fractures in radiographs. In the analysis of root and canal morphology, deep learning models showed high accuracy in detecting C-shaped root canals and other anatomical variations. In terms of treatment, deep learning models help improve treatment planning. In addition, neural network-based algorithms have surpassed the accuracy of traditional electronic apex locators in determining root canal length. Regarding prognosis, AI models have achieved 95.6% accuracy in predicting pain after root canal treatment. However, it faces limitations such as the need for large volumes of data, high cost, and lack of self-development. Future studies should address these challenges to improve its integration into clinical practice.
Resumen
El objetivo de este artículo es realizar una revisión exhaustiva de las aplicaciones de la inteligencia artificial (IA) en endodoncia, enfocándose en el diagnóstico, tratamiento y pronóstico. Para la recopilación de información, se realizó una búsqueda en las bases de datos científicas PubMed, Scopus, ScienceDirect y Google Scholar, seleccionando estudios en inglés entre 2016 y 2025. Tras aplicar criterios de inclusión y exclusión y eliminar duplicados, se incluyeron 51 artículo. En el Diagnóstico, modelos de IA basados en redes neuronales convolucionales (CNN), como Diagnocat, han demostrado una precisión superior al 90% en la detección de lesiones periapicales mediante radiografías y CBCT. Asimismo, algoritmos de IA han logrado identificar fracturas radiculares verticales en radiografías. En el análisis de la morfología radicular y de conductos, los modelos de aprendizaje profundo mostraron alta precisión en la detección de conductos radiculares en forma de C y otras variaciones anatómicas. En cuanto al tratamiento, modelos de aprendizaje profundo ayudan a mejorar la planificación del mismo. Además, algoritmos basados en redes neuronales han superado la precisión de los localizadores de ápice electrónicos tradicionales en la determinación de la longitud del conducto radicular. Respecto al pronóstico, los modelos de IA han alcanzado una precisión del 95.6% al predecir el dolor tras un tratamiento de conducto. No obstante, enfrenta limitaciones como la necesidad de grandes volúmenes de datos, el alto costo y la falta de autodesarrollo. Futuros estudios deben abordar estos desafíos para mejorar su integración en la práctica clínica.
Keywords
Odontología, Inteligencia artificial, Red neuronal convolucional, Endodoncia, Diagnóstico, Terapéutica
Citation
Código de tesis
ODON; 804
Código de tesis
Grado Académico
Odontólogo