Detección de sinusitis maxilar de origen endodóntico en imágenes de tomografía computarizada de haz cónico mediante algoritmos de aprendizaje profundo

Cuando los problemas dentales alcanzan los senos paranasales

La congestión recurrente o la sensación de presión facial suele atribuirse a alergias o resfriados, pero una proporción sorprendente de los problemas sinusales en realidad comienza en los dientes posteriores infectados. Este estudio explora cómo la inteligencia artificial puede leer exploraciones dentales 3D para detectar cuándo la sinusitis está relacionada con infecciones en las raíces dentales, ayudando a dentistas y médicos a llegar a la causa correcta más rápido y con mayor seguridad.

Por qué los problemas sinusales y los dientes están conectados

Los senos maxilares se sitúan justo por encima de los dientes posteriores superiores, separados solo por una delgada capa de hueso. Cuando el tejido blando dentro de estos senos se inflama o se engrosa, las personas pueden desarrollar congestión crónica, dolor o una sensación de pesadez en la mejilla. En muchos casos, una infección dental en la punta de la raíz irrita el revestimiento sinusal cercano, pero los síntomas pueden parecer problemas sinales habituales y el diente puede no dar señales claras. Esto dificulta, incluso para clínicos experimentados, discernir si la sinusitis está causada por enfermedad dental, por otras causas sinusales o si el seno está realmente normal.

Cómo las exploraciones dentales 3D ofrecen una visión más clara

La tomografía computarizada de haz cónico, o CBCT, es una exploración dental 3D que muestra tanto el hueso como el tejido blando con gran detalle y a una dosis de radiación relativamente baja. Puede revelar cambios sutiles alrededor de las raíces dentales y en el revestimiento sinusal que pasan desapercibidos en una TC médica estándar o en radiografías planas. En este estudio, los investigadores recopilaron 70 exploraciones CBCT de dos clínicas endodónticas y seleccionaron cuidadosamente más de 5.000 cortes bidimensionales desde tres ángulos de visualización: superior (axial), frontal (coronal) y lateral (sagital). Dentistas expertos y un radiólogo oral revisaron cada exploración y acordaron qué imágenes mostraban un seno normal, cuáles mostraban sinusitis vinculada a una raíz dental enferma y cuáles mostraban sinusitis por otras causas no dentales.

Enseñar al ordenador a leer las imágenes

Antes de entrenar su sistema de aprendizaje profundo, el equipo limpió y mejoró las imágenes. Estandarizaron el tamaño de las imágenes, redujeron el ruido y las bandas metálicas, y realzaron los bordes para que las estructuras clave resaltaran. También utilizaron un tipo de modelo generativo para crear imágenes de entrenamiento adicionales de alta calidad, enriqueciendo y diversificando el conjunto de datos. La canalización informática siguió varios pasos. Primero, aprendió a reconocer, a partir de cada corte, qué ángulo de visualización mostraba. A continuación, una etapa de segmentación aprendió a delimitar tres regiones clave: las raíces dentales, la cavidad sinusal y el fino revestimiento mucoso. Finalmente, redes especializadas examinaron cada vista para extraer patrones relacionados con la enfermedad, y un modelo “multivista” combinó la información de los tres ángulos para decidir si el seno era normal, estaba afectado por un problema de raíz dental o estaba afectado por otra enfermedad sinusal.

Qué tan bien funcionó el sistema

Los investigadores evaluaron sus modelos con imágenes reservadas y con un conjunto completamente separado de 738 cortes CBCT de pacientes nuevos. El clasificador de vista casi nunca confundió los tres ángulos de exploración. La etapa de segmentación delimitó raíces, el espacio sinusal y el revestimiento con una alta superposición respecto a las marcas de los expertos en las tres vistas. Cada clasificador de vista individual ya alcanzó alta precisión, pero la red multivista que fusionó las tres perspectivas fue la que mejor rendimiento mostró. Tanto en los conjuntos de prueba como en los externos, etiquetó correctamente cada caso dentro de los tres grupos, coincidiendo con el juicio combinado del panel de expertos. Los autores tomaron varias medidas para evitar el sobreajuste, incluida la división de datos por paciente, un aumento de datos cuidadoso y técnicas de regularización, para aumentar la probabilidad de que el sistema se generalice más allá de la muestra del estudio.

Qué podría significar esto para los pacientes

Para los clínicos, esta canalización automatizada podría funcionar como un lector secundario incansable que resalta la enfermedad sinusal relacionada con raíces, mapea la forma del seno y muestra cuán cercanas están las raíces infectadas al piso sinusal. Ese apoyo puede ayudar a planificar tratamientos de conducto, decidir cómo manejar síntomas sinusales persistentes y orientar cirugías de implante o elevación de seno. Aunque el estudio actual trabaja con cortes 2D de un campo de visión limitado y aún necesita ensayos más amplios en más clínicas y equipos, sienta una base sólida para futuras herramientas que analicen exploraciones 3D completas. En términos sencillos, el trabajo muestra que una IA cuidadosamente diseñada puede identificar de forma fiable cuándo los problemas sinusales están vinculados a las raíces dentales, ofreciendo un camino más claro desde la vaga presión facial hasta la fuente real del problema.

Cita: Sherif, O.A.S., Taha, N.S., Fahmy, A.M. et al. Detection of maxillary sinusitis of endodontic origin in cone-beam CT images using deep learning algorithms. Sci Rep 16, 16254 (2026). https://doi.org/10.1038/s41598-026-52147-w

Palabras clave: sinusitis maxilar, sinusitis odontogénica, tomografía de haz cónico, aprendizaje profundo, imagen dental