Estratégias de classificação podem melhorar o estadiamento automatizado da maturação vertebral cervical? Um estudo comparativo

Por que o momento do surto de crescimento importa

Para crianças e adolescentes que precisam de aparelho ortodôntico ou correção da mandíbula, captar o surto natural de crescimento do corpo no momento certo pode tornar o tratamento mais simples, curto e eficaz. Dentistas frequentemente observam os ossos da coluna em radiografias de cabeça de rotina para estimar em que estágio de crescimento o jovem se encontra. Mas essas avaliações visuais podem ser inconsistentes, com especialistas diferentes às vezes chegando a conclusões distintas. Este estudo investiga se sistemas de inteligência artificial (IA) bem projetados podem ler essas radiografias de forma mais consistente — e qual a melhor maneira de treinar esses sistemas.

Lendo o crescimento a partir dos ossos do pescoço

Quando ortodontistas planejam um tratamento, não observam apenas os dentes. Eles também precisam saber quanto crescimento resta ao paciente. Um método comum é examinar as pequenas vértebras cervicais em uma radiografia lateral da cabeça. Suas formas mudam sutilmente conforme a criança avança do crescimento inicial, pelo surto puberal, até o final da adolescência. Um sistema popular divide essa mudança em seis etapas, mas as diferenças entre etapas vizinhas podem ser tão pequenas que até médicos experientes frequentemente discordam. Essa variabilidade dificulta padronizar o atendimento e cravar com confiança o momento de tratamentos que dependem de capturar o surto de crescimento.

Ensinando computadores a detectar mudanças sutis de forma

Os pesquisadores reuniram 1.750 radiografias ortodônticas de rotina de um hospital, cobrindo pacientes com idade média em torno de 13 anos. Dois ortodontistas certificados atribuíram independentemente cada imagem a uma das seis fases de crescimento e depois resolveram conjuntamente quaisquer discordâncias, criando uma referência confiável. Um modelo de visão computacional primeiro localizou e recortou a pequena região da imagem contendo três vértebras cervicais. Essas imagens recortadas foram então fornecidas a sistemas de aprendizado profundo — programas de IA especializados que aprendem padrões diretamente a partir de muitos exemplos — para prever a fase de crescimento.

Dicas de especialistas ajudam ou atrapalham?

A equipe comparou duas ideias principais de treinamento. Em uma, a IA aprendeu de ponta a ponta: ela viu apenas as imagens recortadas das vértebras e aprendeu diretamente a prever as seis fases de crescimento. Na outra, a IA foi primeiro treinada para encontrar pontos de referência específicos nas vértebras — posições-chave ao longo de suas bordas que especialistas humanos usam — e só depois re-treinada para classificar a fase de crescimento, reutilizando o que havia aprendido sobre esses marcos. Surpreendentemente, a abordagem direta de ponta a ponta teve melhor desempenho. Identificou corretamente a categoria exata de seis fases em cerca de dois terços dos casos, e quando errou, os erros quase sempre recaíram em uma etapa vizinha. As versões guiadas por marcos nunca alcançaram totalmente esse desempenho, mesmo quando suas camadas internas foram mais profundamente ajustadas durante o re-treinamento.

Treinamento em detalhe para decisões clínicas mais amplas

Na prática cotidiana, ortodontistas frequentemente não precisam das seis etapas completas. Em vez disso, interessam-se por três fases mais amplas: antes, durante e depois do surto puberal. Os pesquisadores, portanto, testaram se era melhor treinar um modelo diretamente nessas três categorias, ou primeiro treiná-lo na escala completa de seis etapas e depois fundir as saídas em três. Ambas as abordagens alcançaram acurácia geral semelhante, em torno de 79%, mas o modelo que começou com o treinamento mais detalhado de seis etapas prestou mais atenção às características exatas das vértebras nas quais os clínicos confiam, como as bordas inferiores e o esvaziamento das margens ósseas. Mapas visuais do que a IA “observava” mostraram foco mais concentrado nessas formas significativas, enquanto o modelo treinado diretamente nas três etapas espalhou sua atenção por áreas menos relevantes.

O que isso significa para o cuidado odontológico futuro

Este estudo sugere que a IA pode avaliar o crescimento a partir de radiografias ortodônticas de rotina com erros majoritariamente confinados a etapas vizinhas, de modo semelhante à incerteza natural enfrentada por especialistas humanos. Mostra também que fornecer ao computador pistas anatômicas pré-programadas nem sempre é útil e pode até atrapalhar se essas dicas não corresponderem à tarefa final. Em contraste, treinar com estágios de crescimento mais detalhados, mesmo quando na clínica são necessárias apenas categorias amplas, pode produzir modelos que observam as mesmas características usadas por especialistas humanos. A longo prazo, sistemas assim treinados com cuidado poderiam apoiar ortodontistas a programar tratamentos de forma mais consistente e transparente, tirando melhor proveito do surto de crescimento de cada paciente, enquanto deixam as decisões finais nas mãos humanas.

Citação: 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

Palavras-chave: maturidade esquelética, crescimento ortodôntico, aprendizado profundo, IA em imagens médicas, vértebras cervicais