Jeu de données intégré CBCT et histopathologie pour lésions odontogènes dentaires destiné au benchmarking des algorithmes d’apprentissage profond

Pourquoi les lésions de la mâchoire concernent plus que les dentistes

Des excroissances inhabituelles dans la mâchoire peuvent sembler un problème dentaire de niche, mais elles peuvent avoir des implications très différentes pour la santé et le traitement d’une personne. Certaines sont de simples kystes qui se retirent par une petite intervention, tandis que d’autres nécessitent une chirurgie étendue pour éviter les récidives. Aujourd’hui, les médecins s’appuient sur des scans détaillés de type radiographique et des études microscopiques des tissus pour distinguer ces problèmes qui se ressemblent. Cet article décrit une nouvelle ressource de données partagée qui pourrait aider l’intelligence artificielle à prendre ces décisions complexes plus rapidement et de manière plus cohérente.

Voir l’ensemble de la mâchoire en trois dimensions

Lorsque les dentistes ou les chirurgiens suspectent une lésion de la mâchoire, ils se tournent souvent vers la tomographie volumique à faisceau conique, ou CBCT. Ce scan crée une image tridimensionnelle de la tête montrant les os et les dents avec un grand niveau de détail à des doses de radiation relativement faibles. Il aide les chirurgiens à planifier l’étendue de l’ablation tissulaire et à éviter les nerfs et les racines dentaires. Le problème est que de nombreuses lésions mandibulaires courantes présentent des formes et des positions très similaires sur ces images. Même des spécialistes expérimentés peuvent diverger dans leur interprétation, ce qui peut influencer le diagnostic et les choix thérapeutiques. Les systèmes informatiques automatisés pourraient apporter de l’aide, mais ils ont besoin de collections d’images volumineuses et bien annotées pour apprendre.

Observer le tissu au microscope

La méthode la plus fiable pour identifier ces lésions de la mâchoire reste l’examen microscopique. Après l’intervention, le tissu prélevé est découpé en tranches ultra‑fines, coloré par des colorants et numérisé en images haute résolution. Les pathologistes étudient ensuite les motifs cellulaires pour décider si une lésion est un kyste bénin ou une tumeur, et à quel sous‑type elle appartient. Par exemple, quatre types dominent dans la région mandibulaire : kystes dentigères, kystes radiculaires, kératokystes odontogènes et améloblastomes. Chacun présente une apparence et un comportement typiques. Cependant, cette réponse de référence n’arrive qu’après l’opération. Les patients et les médecins ne peuvent pas l’utiliser pour affiner une chirurgie déjà réalisée, d’où l’importance d’outils préopératoires plus performants.

Associer scans et lames

Le nouveau jeu de données DOLCHID comble cet écart en appariant soigneusement des scans CBCT avec des images microscopiques correspondantes provenant des mêmes lésions mandibulaires. Les auteurs ont collecté des données de 262 patients dont les lésions avaient des diagnostics clairs et des images de bonne qualité pour les deux modalités. Pour chaque cas, des radiologues ont délimité la région exacte de la lésion sur le scan et des pathologistes ont tracé la zone la plus informative sur la lame colorée. Le jeu de données est équilibré entre les quatre principaux types de lésion et inclut des exemples limites et difficiles pour refléter la complexité clinique réelle. Toutes les informations personnelles ont été supprimées et les images ont été stockées dans des formats standards afin que des équipes de recherche du monde entier puissent les utiliser.

Évaluer l’apprentissage des ordinateurs à partir des données

Pour montrer l’utilité du jeu de données, l’équipe a réalisé une série de tests avec des méthodes d’apprentissage profond de pointe. D’abord, ils ont entraîné des modèles informatiques à délimiter les contours des lésions sur les images CBCT et microscopiques. Plusieurs architectures différentes ont toutes appris à repérer les lésions avec une précision solide, ce qui suggère que les images et les annotations d’experts sont cohérentes et informatives. Ensuite, ils ont entraîné des modèles séparés pour classer le type de lésion en n’utilisant que les scans ou uniquement les images tissulaires. Comme prévu, les modèles nourris avec les images microscopiques ont obtenu de très bonnes performances, tandis que ceux utilisant uniquement la CBCT ont obtenu des résultats raisonnables compte tenu de la similarité visuelle des lésions.

Que se passe‑t‑il lorsque les deux vues sont combinées

Les expériences les plus prospectives ont utilisé les deux types d’images simultanément. Les chercheurs ont construit des méthodes qui apprennent d’abord des caractéristiques séparées à partir des scans CBCT et des lames tissulaires, puis fusionnent ces signaux en une représentation partagée. Même lorsqu’en pratique seule la coupe scan serait disponible au diagnostic, le processus d’entraînement pouvait bénéficier de ce que les images microscopiques avaient appris au modèle. Ces systèmes multimodaux ont atteint de meilleures performances que les modèles basés uniquement sur la CBCT, montrant que des données appariées peuvent affiner la perception des différences subtiles entre types de lésions.

Comment ce travail peut aider les futurs patients

Pour un non‑spécialiste, le message principal est que cette étude n’introduit pas un nouveau dispositif médical, mais un jeu d’entraînement soigneusement constitué pour des algorithmes intelligents. En associant des scans tridimensionnels de la mâchoire à des vues microscopiques correspondantes et à des annotations d’experts, le jeu de données DOLCHID fournit la matière première nécessaire aux chercheurs pour construire et comparer équitablement des outils d’IA pour le diagnostic des lésions mandibulaires. À terme, de tels outils pourraient aider les cliniciens à repérer plus tôt les tumeurs agressives, choisir le niveau de chirurgie approprié et réduire l’incertitude des patients confrontés à des procédures dentaires et faciales complexes.

Citation: 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

Mots-clés: lésions odontogènes, imagerie dentaire, cone beam CT, histopathologie, jeu de données apprentissage profond