¿Pueden las estrategias de clasificación mejorar la etapificación automatizada de la maduración vertebral cervical? Un estudio comparativo

Por qué importa el momento del pico de crecimiento

Para niños y adolescentes que necesitan frenillos o corrección mandibular, captar el pico de crecimiento natural del cuerpo en el momento adecuado puede hacer que el tratamiento sea más sencillo, breve y eficaz. Los dentistas a menudo examinan los huesos de la columna en radiografías laterales de la cabeza para estimar en qué fase del crecimiento se encuentra un joven. Pero estas evaluaciones visuales pueden ser inconsistentes, y distintos especialistas a veces llegan a conclusiones distintas. Este estudio plantea si los sistemas de inteligencia artificial (IA) bien diseñados pueden leer esas radiografías de forma más consistente y cuál es la mejor manera de entrenarlos.

Leer el crecimiento en los huesos del cuello

Cuando los ortodoncistas planifican un tratamiento, no solo miran los dientes. También necesitan saber cuánto le queda por crecer al paciente. Un método habitual es examinar las pequeñas vértebras cervicales en una radiografía lateral del cráneo. Sus formas cambian sutilmente a medida que el niño avanza desde el crecimiento temprano, atraviesa el pico puberal y llega a la adolescencia tardía. Un sistema popular divide ese cambio en seis etapas, pero las diferencias entre etapas contiguas pueden ser tan leves que incluso médicos experimentados a menudo discrepan. Esa variabilidad dificulta estandarizar la atención y programar con confianza tratamientos que dependen de captar el pico de crecimiento.

Enseñar a los ordenadores a detectar cambios de forma sutiles

Los investigadores reunieron 1.750 radiografías ortodónticas rutinarias de un hospital, con pacientes de edad media alrededor de 13 años. Dos ortodoncistas certificados asignaron independientemente cada imagen a una de las seis etapas de crecimiento y luego resolvieron conjuntamente las discrepancias, creando una referencia fiable. Un modelo de visión por ordenador primero localizó y recortó la pequeña región de la imagen que contenía tres vértebras cervicales. Estas imágenes recortadas se introdujeron luego en sistemas de aprendizaje profundo—programas de IA especializados que aprenden patrones directamente a partir de muchos ejemplos—para predecir la etapa de crecimiento.

¿Ayudan las pistas de los expertos o entorpecen?

El equipo comparó dos ideas de entrenamiento principales. En una, la IA aprendía de extremo a extremo: veía solo las imágenes recortadas de las vértebras y aprendía directamente a predecir las seis etapas de crecimiento. En la otra, la IA se entrenaba primero para localizar puntos de referencia específicos en las vértebras—posiciones clave a lo largo de sus bordes que usan los expertos humanos—y solo después se reentrenaba para clasificar la etapa de crecimiento, reutilizando lo aprendido sobre esos puntos. Sorprendentemente, el enfoque directo de extremo a extremo funcionó mejor. Identificó correctamente la categoría exacta de seis etapas en aproximadamente dos tercios de los casos y, cuando cometió errores, casi siempre fue hacia una etapa contigua. Las versiones guiadas por puntos de referencia nunca alcanzaron ese rendimiento, incluso cuando sus capas internas se ajustaron más a fondo durante el reentrenamiento.

Entrenamiento en detalle fino para decisiones clínicas más amplias

En la práctica cotidiana, los ortodoncistas a menudo no necesitan las seis etapas completas. En su lugar, les interesan tres fases más amplias: antes, durante y después del pico de crecimiento puberal. Por ello, los investigadores probaron si era mejor entrenar un modelo directamente en esos tres grupos, o entrenarlo primero en la escala de seis pasos y luego agrupar sus salidas en tres. Ambos enfoques alcanzaron una precisión global similar, alrededor del 79 por ciento, pero el modelo que se inició con el entrenamiento más fino de seis pasos prestó más atención a las características exactas de las vértebras en las que confían los clínicos, como los bordes inferiores y el vaciado de los contornos óseos. Los mapas visuales de lo que la IA “miraba” mostraron un enfoque más centrado en estas formas significativas, mientras que el modelo entrenado directamente en tres pasos dispersó su atención más ampliamente hacia áreas menos pertinentes.

Qué supone esto para la atención dental futura

Este estudio sugiere que la IA puede valorar el crecimiento a partir de radiografías ortodónticas rutinarias con errores mayoritariamente limitados a etapas contiguas, de forma similar a la incertidumbre natural que afrontan los expertos humanos. También muestra que proporcionar al ordenador pistas anatómicas predefinidas no siempre es útil y puede incluso frenarlo si esas pistas no encajan con la tarea final. En cambio, entrenar con etapas de crecimiento más detalladas, incluso cuando en la clínica solo se necesitan categorías amplias, puede producir modelos que miran las mismas características que usan los especialistas humanos. A la larga, sistemas así, bien entrenados, podrían ayudar a los ortodoncistas a programar los tratamientos con mayor consistencia y transparencia, aprovechando mejor el pico de crecimiento de cada paciente sin retirar la decisión final de manos humanas.

Cita: Lee, SY., Ryu, J., Kim, YH. et al. Can classification strategies improve automated cervical vertebral maturation staging? A comparative study. Sci Rep 16, 10645 (2026). https://doi.org/10.1038/s41598-026-46004-z

Palabras clave: madurez esquelética, crecimiento ortodóntico, aprendizaje profundo, IA en imagen médica, vértebras cervicales