💻 computer science

ProtoPointNet: Prototype-Based Interpretable Classification of 3D Dental Point Clouds with Verifiable Spatial Activations

El artículo presenta ProtoPointNet, un modelo basado en prototipos interpretable que clasifica la oclusión dental 3D mediante el aprovechamiento del aprendizaje multitarea en pares de arcos intraorales registrados y logrando un alto rendimiento en el conjunto de datos Bits2Bites, al tiempo que proporciona explicaciones visuales espacialmente fundamentadas y anatómicamente plausibles para sus predicciones.

Autores originales: George V. Jose, Thao Liang Chiam, Toby Hughes, Dilan Patel, Alan Brook, Lyle J. Palmer, Nikhil Cherian Kurian

Publicado 2026-07-15

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: George V. Jose, Thao Liang Chiam, Toby Hughes, Dilan Patel, Alan Brook, Lyle J. Palmer, Nikhil Cherian Kurian

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de entender cómo encajan los dientes superiores e inferiores de una persona. Normalmente, una computadora podría mirar un escaneo 3D de esos dientes y simplemente arrojar una etiqueta como "Mordida Buena" o "Mordida Mala", pero mantiene su razonamiento en secreto. Es como una bola 8 de la fortuna que dice "Sí" sin decirte por qué.

Los investigadores detrás de ProtoPointNet decidieron construir un cerebro de computadora diferente, uno que actúe más como un detective con una lupa. En lugar de adivinar, este sistema busca "pistas" específicas (llamadas prototipos) que ha aprendido de casos pasados. Es como enseñarle a un estudiante a identificar una "mordida cruzada" no memorizando toda una imagen, sino mostrándole un parche específico de dientes que siempre se ve como una mordida cruzada. Cuando la computadora ve ese mismo parche de nuevo, puede señalar directamente y decir: "¡Ajá! ¡Ya lo sé! Esto es por lo que creo que es una mordida cruzada".

La receta secreta: Una superdescripción de 14 dimensiones
Para que esto funcione, el equipo no solo alimentó a la computadora con la forma de los dientes. Le dieron a cada punto del escaneo 3D un "carnet de identidad" especial con 14 piezas de información diferentes. Piensa en ello como describir a una persona no solo por su altura, sino por qué tan lejos está parado de su vecino, el ángulo de su nariz y la curva de su mejilla.

Este carnet de identidad incluye los detalles de forma habituales, pero la parte mágica es la información "relacional": le dice a la computadora exactamente qué tan lejos está un punto de los dientes superiores del punto más cercano de los dientes inferiores, y en qué dirección. Esto permite que la computadora vea el espacio o el solapamiento entre los dos arcos, que es el punto central de revisar una mordida.

El juego de "Esto se parece a aquello"
El sistema funciona comparando el nuevo escaneo con una biblioteca de "exemplares" (prototipos) que aprendió durante el entrenamiento.

Si la computadora ve un parche de dientes que se parece mucho a un prototipo de "Mordida Profunda" que aprendió antes, ilumina esa pista.
Luego, suma todas las pistas coincidentes para tomar una decisión final.
Crucialmente, debido a que sabe exactamente qué parche coincidió con qué pista, puede proyectar esa coincidencia de vuelta al modelo 3D. Puedes ver literalmente un resaltado brillante en la pantalla de la computadora mostrando exactamente qué dientes (como los molares traseros o los incisivos frontales) convencieron a la computadora de tomar su decisión.

El desafío: Aprender de una biblioteca diminuta
Aquí está la parte complicada: el equipo solo tenía alrededor de 140 escaneos de pacientes para entrenar. Eso es como intentar aprender un nuevo idioma con solo unas pocas docenas de tarjetas de memoria. La mayoría de los modelos de IA se confundirían o simplemente memorizarían las tarjetas (sobreajuste o overfitting).

Para resolver esto, los investigadores utilizaron un truque de entrenamiento ingenioso. Primero, dejaron que la computadora aprendiera formas generales usando un sistema auxiliar, y luego "congelaron" esa parte para que no olvidara. Luego, enfocaron la energía de la computadora solo en aprender las pistas específicas (prototipos) para los problemas de mordida. Esto permitió que el sistema aprendiera eficazmente incluso con un conjunto de datos tan pequeño.

Los resultados: Buenos en algunas cosas, no en otras
Cuando probaron este sistema con 30 nuevos pacientes (un total de 200 escaneos en el conjunto de datos), esto fue lo que pasó:

Las grandes victorias: El sistema fue muy bueno detectando problemas verticales (como mordidas profundas o abiertas) y problemas de alineación del lado izquierdo. Obtuvo una puntuación de 0.828 para mordidas verticales y 0.807 para la alineación del lado izquierdo (en una escala donde cuanto más alto, mejor).
El saco de mezclas: Fue decente en la alineación del lado derecho y en los problemas transversales (de lado a lado), pero tuvo dificultades con la "línea media" (si el centro de los dientes superiores se alinea con el de los inferiores). Para la línea media, obtuvo solo 0.457, lo que es básicamente adivinar.
La comparación: Cuando compararon este estilo de "detective" con una IA estándar de "caja negra", el estilo de detective fue igual de bueno en las tareas difíciles (como la alineación del lado izquierdo), pero tuvo la enorme ventaja de mostrar su trabajo.

Lo que descartaron
El artículo deja claro que mirar simplemente la forma de un conjunto de dientes no es suficiente. Debes mirar cómo se relacionan los dientes superiores con los inferiores. Además, encontraron que, aunque los mapas de "atención" estándar (que solo resaltan un área borrosa) pueden mostrar dónde miró la computadora, no explican el porqué como lo hace este sistema de prototipos. El sistema de prototipos es el único que puede decir: "Emparejé este parche específico con un ejemplo conocido de mala mordida".

¿Qué tan seguros están?
Los autores están seguros de que este método funciona para explicar por qué se tomó una decisión, y los números sugieren que es una alternativa sólida a los modelos de caja negra para los escaneos dentales 3D. Sin embargo, tienen cuidado en notar que, debido a que el grupo de prueba era pequeño (solo 30 pacientes), las puntuaciones son solo estimaciones. Sugieren que los resultados de la línea media podrían ser débiles porque los escaneos a veces captaron demasiada encía o el paladar, confundiendo al sistema. No afirman que este sea un problema perfecto y resuelto para cada caso dental todavía, pero sí demuestran que esta forma "transparente" de pensar es un camino viable y prometedor para analizar las superficies dentales 3D.

Resumen Técnico: ProtoPointNet

Planteamiento del Problema
Los modelos de aprendizaje profundo para nubes de puntos 3D, como PointNet y Point Transformer, han logrado un alto rendimiento en la clasificación y segmentación de formas. Sin embargo, en entornos clínicos como la odontología, estos modelos suelen funcionar como "cajas negras", al no ser capaces de exponer las regiones anatómicas específicas o las relaciones espaciales que impulsan sus predicciones. Aunque los modelos basados en prototipos (por ejemplo, ProtoPNet) ofrecen una interpretabilidad inherente al vincular las predicciones con ejemplares aprendidos ("esto se parece a aquello"), su aplicación se ha limitado a la clasificación de objetos únicos o imágenes 2D. Existe una falta de métodos capaces de manejar tareas 3D relacionales, donde la etiqueta de clasificación depende de la interacción espacial entre dos superficies (por ejemplo, los arcos dentales superior e inferior) en lugar de un solo objeto. Específicamente, la clasificación de la oclusión dental requiere analizar el contacto, el espacio y la alineación entre pares de arcos intraorales, una tarea que no ha sido bien abordada por los clasificadores 3D existentes o los métodos basados en proyecciones 2D.

Metodología
Los autores proponen ProtoPointNet, una arquitectura basada en prototipos diseñada para la clasificación inherentemente interpretable de la oclusión dental a partir de pares de arcos intraorales superior-inferior registrados.

Representación de Puntos Relacional: A diferencia de los descriptores de nubes de puntos estándar, ProtoPointNet codifica cada punto con un descriptor de 14 dimensiones. Este incluye la geometría de la superficie local (coordenadas, normales, índice de forma, curvatura gaussiana) y canales relacionales explícitos: el vector de desplazamiento 3D ( $\Delta_n$ ) y el espacio libre escalar ( $\delta_n$ ) respecto al punto más cercano en el arco opuesto. Esto expone explícitamente las relaciones inter-arcos (contacto, separación, desalineación) al modelo.
Arquitectura: El modelo utiliza un codificador jerárquico de estilo PointNet++ compartido para procesar la nube de puntos concatenada de ambos arcos. Un módulo adaptador reinyecta las coordenadas posicionales y normaliza la salida en un espacio de prototipos.
Cabezales de Prototipos Multitarea: La red emplea un codificador (backbone) compartido con cinco cabezales específicos para tareas de clasificación: sagital-izquierda, sagital-derecha, vertical, transversa y de línea media. Cada cabezal contiene un conjunto de prototipos específicos de clase.
Emparejamiento de Prototipos: Las predicciones se generan calculando la similitud entre los embeddings locales de los puntos y los prototipos aprendidos. Las activaciones se calculan como la media de las $k$ similitudes superiores. Crucialmente, los pesos del clasificador están parametrizados para asegurar que los prototipos aporten evidencia no negativa a su clase asignada y evidencia no positiva a otras, permitiendo logits decomponibles.
Estrategia de Entrenamiento para Datos Pequeños: Dado el conjunto de datos limitado (aproximadamente 140 pares de entrenamiento), los autores emplean una receta de entrenamiento para datos pequeños:
- Supervisión Auxiliar: Un clasificador auxiliar (que utiliza max-pooling sobre los embeddings) se entrena junto al cabezal de prototipos para estabilizar el aprendizaje.
- Transferencia de Congelación del Codificador (Encoder-Freeze Hand-off): El peso auxiliar se reduce gradualmente a cero mientras el codificador se congela, permitiendo que el adaptador, los prototipos y los clasificadores se adapten únicamente a la ruta del prototipo.
- Regularización: La función de pérdida incluye términos de agrupación (cluster), separación, diversidad y cobertura para asegurar que los prototipos sean distintos, cubran el manifold de los datos y no colapsen.
Interpretabilidad: Durante la inferencia, el modelo proyecta las regiones de entrada que mejor coinciden con los prototipos activados de vuelta a las mallas dentales originales. Esto proporciona una explicación de paso hacia adelante (forward-pass explanation) (identificando parches anatómicos específicos que sustentan una decisión) en lugar de un mapa de saliencia post-hoc.

Contribuciones Clave

Razonamiento de Superficies Pareadas Interpretable: Introducción de ProtoPointNet, el primer modelo de nubes de puntos basado en prototipos capaz de mapear la evidencia del prototipo directamente de vuelta a las mallas originales para la clasificación de la oclusión dental.
Descriptores Relacionales Inter-Arco: Desarrollo de un descriptor de 14 dimensiones que combina la geometría local con el desplazamiento y el espacio libre explícitos hacia el arco opuesto, permitiendo que los prototipos capturen patrones de contacto y alineación.
Validación Multitarea de Datos Pequeños: Demostración de un codificador compartido con cabezales de prototipos específicos por eje, entrenado mediante supervisión auxiliar y transferencia de congelación del codificador, validando que el razonamiento basado en prototipos puede aprenderse de conjuntos de datos clínicos 3D limitados manteniendo explicaciones espacialmente significativas.

Resultados
El modelo fue evaluado en el benchmark Bits2Bites, que contiene 200 pares de STL superior-inferior registrados con cinco etiquetas de oclusión.

Rendimiento: ProtoPointNet logró un macro-F1 medio de prueba de 0.724 y un AUROC de 0.825.
Rendimiento por Tarea: El modelo mostró un desempeño más fuerte en la clasificación vertical (F1 0.828, AUROC 0.970) y la clasificación sagital-izquierda (F1 0.807, AUROC 0.900). El desempeño fue moderado para las tareas sagital-derecha y transversa, mientras que la tarea de la línea media se mantuvo débil (F1 0.457), probablemente debido a la sutileza de las desviaciones y al ruido de muestreo.
Estudios de Ablación:
- Descriptores: El descriptor relacional completo de 14 dimensiones superó a los descriptores de geometría pura (6-d) y de geometría intrínseca (9-d), con las mayores ganancias observadas en las tareas sagitales.
- Cabezales de Clasificación: Aunque los cabezales de max-pooling directo y de atención lograron un macro-F1 o AUROC medio ligeramente superiores en algunas métricas, el cabezal de prototipos proporcionó el mejor desempeño en las tareas sagitales (donde el razonamiento inter-arco es crítico) y ofreció de forma única deyecciones basadas en casos legibles.
Coherencia Espacial: Las visualizaciones confirmaron que las activaciones de los prototipos se localizaron en regiones anatómicamente plausibles (por ejemplo, molares posteriores para evidencia de mordida cruzada, incisivos anteriores para evidencia de profundidad de mordida).

Significancia y Reivindicaciones
El artículo afirma que ProtoPointNet establece el razonamiento basado en prototipos como una alternativa transparente y viable a los clasificadores 3D de caja negra para el análisis de pares de superficies dentales. Al vincular las predicciones con ejemplares aprendidos y proyectarlos sobre regiones anatómicas específicas, el modelo soporta "decisiones clínicamente inspeccionables". Los autores enfatizan que, si bien el modelo no reproduce estrictamente todos los criterios clínicos (por ejemplo, tiene dificultades con las desviaciones de la línea media), explota con éxito características discriminativas para predecir etiquetas mientras proporciona explicaciones espacialmente fundamentadas de paso hacia adelante. El trabajo demuestra que los modelos inherentemente interpretables pueden entrenarse eficazmente en conjuntos de datos clínicos 3D limitados sin sacrificar la capacidad de explicar dónde y por qué se realizó una clasificación.

Más como este