Detecção de sinusite maxilar de origem endodôntica em imagens de CBCT usando algoritmos de deep learning

Quando problemas dentários atingem os seios da face

Nariz entupido recorrente ou pressão facial costuma ser atribuída a alergias ou resfriados, mas uma parcela surpreendente dos problemas sinusais na verdade começa com dentes posteriores infectados. Este estudo explora como a inteligência artificial pode ler exames dentários 3D para identificar quando a sinusite está ligada a infecções na raiz dental, ajudando dentistas e médicos a chegarem à causa correta mais rapidamente e com maior confiança.

Por que problemas sinusais e dentes estão conectados

Os seios maxilares ficam logo acima dos dentes posteriores superiores, separados apenas por uma fina camada óssea. Quando o tecido mole dentro desses seios fica inflamado ou espessado, as pessoas podem desenvolver congestão crônica, dor ou sensação de peso na bochecha. Em muitos casos, uma infecção dentária na ponta da raiz irrita a mucosa sinusal próxima, mas os sintomas podem parecer um problema sinusal comum e o dente pode parecer silencioso. Isso torna difícil, mesmo para clínicos experientes, distinguir se a sinusite é causada por doença dentária, por outras causas sinusais, ou se o seio está realmente normal.

Como exames dentários 3D oferecem uma visão mais clara

A tomografia computadorizada de feixe cônico, ou CBCT, é um exame 3D odontológico que mostra tanto o osso quanto o tecido mole em detalhes finos com dose de radiação relativamente baixa. Pode revelar alterações sutis ao redor das raízes dentárias e na mucosa sinusal que passam despercebidas em TC médica convencional ou radiografias planas. Neste estudo, os pesquisadores reuniram 70 exames CBCT de duas clínicas endodônticas e selecionaram cuidadosamente mais de 5.000 fatias bidimensionais de três ângulos de visualização: axial (de cima para baixo), coronal (de frente) e sagital (vista lateral). Dentistas especialistas e um radiologista oral revisaram cada exame e concordaram quais imagens mostravam um seio normal, quais mostravam sinusite ligada a uma raiz dentária doente e quais indicavam sinusite por outras causas não odontológicas.

Ensinando o computador a ler as imagens

Antes de treinar seu sistema de deep learning, a equipe limpou e aprimorou as imagens. Padronizaram o tamanho das imagens, reduziram ruído e artefatos metálicos e enfatizaram contornos para que estruturas-chave se destacassem. Também utilizaram um tipo de modelo generativo para criar imagens adicionais de alta qualidade para treinamento, tornando o conjunto de dados mais rico e variado. O pipeline computacional então seguiu várias etapas. Primeiro, aprendeu a reconhecer a partir de cada fatia qual ângulo de visualização ela mostrava. Em seguida, uma etapa de segmentação aprendeu a delinear três regiões principais: raízes dentárias, cavidade sinusal e a fina mucosa. Finalmente, redes especializadas examinaram cada vista para extrair padrões relacionados à doença, e um modelo “multi view” combinou informações das três perspectivas para decidir se o seio estava normal, afetado por um problema de raiz dentária ou por outra doença sinusal.

Desempenho do sistema

Os pesquisadores testaram seus modelos em imagens retidas e em um conjunto externo completamente separado de 738 fatias CBCT de novos pacientes. O classificadores de vista quase nunca confundiu os três ângulos do exame. A etapa de segmentação delineou raízes, espaço sinusal e mucosa com alta sobreposição em comparação com as marcações de especialistas em todas as três vistas. Cada classificador de vista única já alcançou alta acurácia, mas a rede multi view que fundiu as três perspectivas foi a que apresentou melhor desempenho. Tanto nos conjuntos de teste quanto nos conjuntos externos, ela rotulou corretamente cada caso entre os três grupos, correspondendo ao julgamento combinado do painel de especialistas. Os autores tomaram várias medidas para evitar overfitting, incluindo divisão dos dados por paciente, aumentos cuidadosos e técnicas de regularização, para tornar o sistema mais propenso a generalizar além da amostra do estudo.

O que isso pode significar para os pacientes

Para os clínicos, este pipeline automatizado pode servir como um leitor secundário incansável que destaca doença sinusal relacionada à raiz, mapeia a forma do seio e mostra quão próximas as raízes infectadas estão do assoalho sinusal. Esse suporte pode auxiliar no planejamento do tratamento endodôntico, na decisão sobre como manejar sintomas sinusais persistentes e no direcionamento de cirurgia de implante ou levantamento sinusal. Embora o estudo atual trabalhe com fatias 2D de um campo de visão limitado e ainda precise de testes mais amplos em mais clínicas e equipamentos, ele estabelece uma base sólida para futuras ferramentas que analisem exames 3D completos. Em termos simples, o trabalho mostra que uma IA cuidadosamente construída pode identificar de forma confiável quando problemas sinusais estão ligados às raízes dentárias, oferecendo um caminho mais claro desde a pressão facial vaga até a verdadeira origem do problema.

Citação: 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

Palavras-chave: sinusite maxilar, sinusite odontogênica, cone beam CT, deep learning, imagens odontológicas