Conjunto de datos integrado de lesiones odontogénicas dentales: CBCT e histopatología para evaluar algoritmos de aprendizaje profundo

Por qué las lesiones mandibulares importan más allá de la odontología

Los crecimientos extraños en la mandíbula pueden parecer un problema dental muy específico, pero pueden tener implicaciones muy distintas para la salud y el tratamiento de una persona. Algunos son quistes sencillos que se pueden extirpar con un procedimiento menor, mientras que otros exigen cirugía extensa para evitar que reaparezcan. Hoy en día, los médicos dependen de exploraciones detalladas tipo radiografía y de estudios microscópicos del tejido para diferenciar estos problemas que se parecen entre sí. Este artículo describe un nuevo recurso de datos compartido que podría ayudar a la inteligencia artificial a aprender a tomar estas decisiones difíciles con mayor rapidez y consistencia.

Ver la mandíbula completa en tres dimensiones

Cuando dentistas o cirujanos sospechan de una lesión mandibular, a menudo recurren a la tomografía computarizada de haz cónico, o CBCT. Esta exploración crea una imagen tridimensional de la cabeza que muestra con detalle los huesos y dientes a dosis de radiación relativamente bajas. Ayuda a los cirujanos a planificar cuánto tejido retirar y cómo evitar nervios y raíces dentarias. El problema es que muchas de las lesiones mandibulares comunes tienen formas y ubicaciones muy parecidas en estas exploraciones. Incluso especialistas experimentados pueden discrepar sobre lo que están viendo, lo que puede afectar tanto al diagnóstico como a las opciones de tratamiento. Los sistemas automatizados podrían ayudar, pero necesitan colecciones grandes y bien etiquetadas de imágenes para aprender.

Mirar el tejido bajo el microscopio

La forma más fiable de identificar estas lesiones mandibulares sigue siendo el microscopio. Tras la cirugía, el tejido extirpado se corta en rebanadas ultrafinas, se tiñe con colorantes y se escanea en imágenes de alta resolución. Los patólogos estudian luego los patrones celulares para decidir si una lesión es un quiste benigno o un tumor, y a qué subtipo pertenece. Por ejemplo, cuatro tipos predominan en la mandíbula: quistes dentígeros, quistes radiculares, quistes odontogénicos queratógenos y ameloblastomas. Cada uno tiene su apariencia y comportamiento típicos. Sin embargo, esta respuesta de referencia solo llega después de la operación. Pacientes y médicos no pueden usarla para ajustar la cirugía que ya se ha realizado, por eso son tan importantes mejores herramientas prequirúrgicas.

Unir exploraciones y preparaciones histológicas

El nuevo conjunto de datos DOLCHID aborda esta carencia al emparejar cuidadosamente exploraciones CBCT con imágenes microscópicas correspondientes de las mismas lesiones mandibulares. Los creadores recogieron datos de 262 pacientes cuyas lesiones tenían diagnósticos claros y imágenes de buena calidad en ambos métodos. Para cada caso, los radiólogos marcaron la región exacta de la lesión en la exploración y los patólogos delinearon el área más informativa en la lámina teñida. El conjunto de datos está equilibrado entre los cuatro tipos lesionares principales e incluye ejemplos desafiantes y limítrofes para reflejar la complejidad clínica real. Se eliminó toda la información personal y las imágenes se almacenaron en formatos estándar para que equipos de investigación de todo el mundo puedan trabajar con ellas.

Evaluar cuánto aprenden los ordenadores con los datos

Para demostrar la utilidad del conjunto de datos, el equipo realizó una serie de pruebas con métodos líderes de aprendizaje profundo. Primero entrenaron modelos informáticos para delinear los límites de las lesiones tanto en las imágenes CBCT como en las microscópicas. Varios diseños de modelos diferentes aprendieron a localizar las lesiones con buena precisión, lo que sugiere que las imágenes y las anotaciones expertas son coherentes e informativas. A continuación, entrenaron modelos separados para clasificar el tipo de lesión usando solo las exploraciones o solo las imágenes de tejido. Como era de esperar, los modelos que vieron las imágenes microscópicas tuvieron un rendimiento muy alto, mientras que los que usaron únicamente CBCT funcionaron razonablemente bien dado el parecido entre las lesiones.

Qué ocurre cuando se combinan ambas visiones

Los experimentos más prospectivos usaron ambos tipos de imágenes juntos. Los investigadores construyeron métodos que primero aprendían características separadas de las exploraciones CBCT y de las láminas de tejido, y luego fusionaban esas señales en una representación compartida. Incluso cuando en el diagnóstico real solo estaría disponible la exploración, el proceso de entrenamiento aún podía beneficiarse de lo que las imágenes microscópicas habían enseñado al modelo. Estos sistemas multimodales alcanzaron un rendimiento superior al de los modelos basados solo en CBCT, mostrando que los datos emparejados pueden agudizar la capacidad del ordenador para distinguir diferencias sutiles entre tipos de lesión.

Cómo este trabajo puede ayudar a futuros pacientes

Para un público general, el mensaje central es que este estudio no introduce un nuevo dispositivo médico, sino un conjunto de enseñanza cuidadosamente curado para algoritmos inteligentes. Al vincular exploraciones mandibulares tridimensionales con vistas microscópicas correspondientes y con etiquetas de expertos, el conjunto de datos DOLCHID ofrece a los investigadores la materia prima necesaria para construir y comparar de forma justa herramientas de IA para el diagnóstico de lesiones mandibulares. Con el tiempo, tales herramientas podrían ayudar a los clínicos a detectar tumores agresivos antes, elegir el nivel de cirugía adecuado y reducir la incertidumbre para los pacientes que afrontan procedimientos dentales y faciales complejos.

Cita: Huang, Z., Xia, T., Wu, T. et al. Dental Odontogenic Lesion CBCT and Histopathology Integrated Dataset for Benchmarking Deep Learning Algorithms. Sci Data 13, 758 (2026). https://doi.org/10.1038/s41597-026-07112-7

Palabras clave: lesiones odontogénicas, imagen dental, tomografía computarizada de haz cónico, histopatología, conjunto de datos para aprendizaje profundo