BoneNet: A Multimodal Deep Learning Framework with Dual-Modality Explainability for Automated Peri-Implant Bone Loss Detection and Severity Grading

Imaginez que vous soyez un détective essayant de résoudre un mystère, mais au lieu de chercher des empreintes digitales, vous cherchez de minuscules fissures dans la fondation d'une dent. Dans le monde de la dentisterie, lorsqu'une vis métallique (un implant) est placée dans l'os de la mâchoire pour tenir une fausse dent, l'os autour de celle-ci peut parfois commencer à se rétracter. C'est ce qu'on appelle la « perte osseuse péri-implantaire ». Si un dentiste manque ce rétrécissement, la fausse dent peut tomber, entraînant des réparations douloureuses et coûteuses. Habitéralement, les dentistes doivent plisser les yeux devant des clichés radiographiques et utiliser des règles pour mesurer ces minuscules écarts à la main. C'est lent, et différents dentistes peuvent mesurer le même écart de manière différente.

Entrez dans le monde de l'Intelligence Artificielle (IA), plus précisément un type appelé « Apprentissage Profond » (Deep Learning). Considérez cela comme apprendre à un ordinateur à voir des motifs que l'œil humain pourrait manquer, comme un étudiant surpuissant qui aurait étudié des millions de radiographies. L'objectif est de construire un programme informatique capable non seulement de repérer la perte osseuse, mais aussi de dire exactement à quel point elle est grave et quelle est la profondeur de l'écart. Mais voici la partie délicate : les ordinateurs sont excellents pour repérer où se trouve quelque chose, mais ils ont parfois du mal à comprendre quelle est la gravité de la situation, surtout lorsque les indices sont subtils. Ce document traite de la construction d'un détective plus intelligent qui ne se contente pas de regarder l'image, mais qui fait aussi les calculs pour obtenir la bonne réponse.

---

Le Document : BoneNet, le Dentiste Super-Détective

Les chercheurs derrière cette étude, Muralidhar Billa et son équipe de l'Université RV, voulaient construire l'outil d'IA ultime pour détecter la perte osseuse autour des implants dentaires. Ils ne voulaient pas seulement un outil qui dise : « Hé, il y a un problème ici ! ». Ils en voulaient un capable de classer le problème de « Pas d'inquiétude » à « Urgence critique » et même de mesurer la profondeur de la perte osseuse en millimètres.

L'entraînement du détective : Essayer neuf tenues
Avant de construire leur propre outil spécial, l'équipe a décidé de tester neuf « tenues » d'IA existantes (architectures) pour voir laquelle était la meilleure pour trouver la perte osseuse. Ils ont traité cela comme des paires de chaussures différentes, les essayant toutes sur un ensemble équilibré de 519 images radiographiques. La plupart des chaussures allaient bien, mais une s'est distinguée : un modèle appelé YOLOv8m. C'était le plus rapide et le plus précis pour trouver la perte osseuse, mais l'équipe a senti qu'il pouvait être amélioré. Ils ont réalisé que la perte osseuse n'est pas d'une seule taille ; elle possède des textures fines et délicates ainsi que des zones plus larges et plus vastes. Le YOLOv8m standard était un peu comme porter des chaussures de taille unique : cela fonctionnait, mais ce n'était pas parfaitement adapté à la forme spécifique du problème.

L'amélioration : BoneNet
Ainsi, l'équipe a construit son propre détective personnalisé, qu'elle a nommé BoneNet. Ils ont pris les meilleures parties du YOLOv8m et ont remplacé son moteur interne. Au lieu de blocs standards, ils ont installé quelque chose appelé Blocs d'Attention Résiduelle Dilatés (DRAB).

• L'analogie : Imaginez que vous regardez une carte. Une caméra normale zoome sur un point précis. Le DRAB, c'est comme avoir deux paires de lunettes en même temps : une avec un objectif grand angle pour voir la vue d'ensemble de l'os, et une autre avec un objectif zoom pour voir les textures minuscules et floues des fissures osseuses. En combinant ces vues, BoneNet peut voir la perte osseuse beaucoup plus clairement.
• Le résultat : Cette amélioration a rendu BoneNet incroyablement précis. Il a obtenu un score de 0,9660 (une mesure de sa capacité à trouver et à détourer la perte osseuse), ce qui représente une amélioration de 3,83 points par rapport au meilleur modèle standard. De plus, il était en fait plus léger et plus rapide, utilisant moins de ressources informatiques.

L'arme secrète : Ajouter un « Cerveau Mathématique »
C'est ici que le document devient vraiment intéressant. L'équipe a réalisé que même avec un détecteur super précis, l'IA avait toujours du mal à deviner la gravité de la perte osseuse. Elle pouvait trouver l'endroit, mais elle n'était pas sûre s'il s'agissait d'un Grade 1 (léger) ou d'un Grade 4 (sévère).

• Le problème : Regarder l'image seule ne suffisait pas. C'est comme essayer de deviner le poids d'une valise juste en regardant une photo d'elle ; on ne peut pas savoir si elle est remplie de plumes ou de briques.
• La solution : Ils ont donné à l'IA un « Cerveau Mathématique ». Ils ont pris les mesures géométriques qu'un expert humain calculerait à partir de la radiographie (comme la surface, le périmètre et la forme de la perte osseuse) et les ont injectées dans l'IA sous forme de nombres.
• La fusion : Ils ont utilisé un réseau de « cross-attention » spécial pour permettre à l'image et aux nombres de communiquer entre eux.
• Le résultat : Cela a été un changement radical. La capacité de l'IA à prédire le grade de sévérité est passée de 50,79 % (ce qui revient pratiquement à deviner) à 85,96 % lorsqu'elle utilisait à la fois l'image et les mathématiques. Cela prouve que pour cette tâche spécifique, on ne peut pas se contenter de l'image ; on a aussi besoin des nombres géométriques.

Mesurer la profondeur : Le test de la règle
L'équipe voulait également que l'IA mesure exactement la profondeur de la perte osseuse en millimètres. Ils ont entraîné une IA distincte, axée sur les mathématiques (appelée XGBoost), pour faire cela.

• Le résultat : En moyenne, l'IA ne se trompait que de 0,638 mm. Dans le monde de la dentisterie, une erreur de ±1 mm est considérée comme acceptable, ce qui est un succès !
• Le bémol : Le document est très honnête concernant un défaut. Bien que la moyenne soit bonne, l'IA devenait beaucoup moins performante à mesure que la perte osseuse s'aggravait. Pour les cas légers, elle était parfaite. Mais pour les cas les plus graves (Grade 4), l'erreur augmentait, et seulement 42,9 % de ces prédictions se situaient dans la marge de sécurité de 1 mm. Les auteurs expliquent cela par le fait qu'ils n'avaient pas assez d'exemples de cas sévères dans leurs données d'entraînement pour apprendre à l'IA comment gérer les scénarios les plus critiques.

Une note critique sur les données d'entraînement du détective
Il y a un détail important concernant la manière dont l'équipe a entraîné et testé son détective que vous devez connaître. L'étude portait sur 135 images radiographiques, mais certaines de ces images contenaient plusieurs implants. Lorsqu'ils ont divisé les données pour tester l'IA, ils ont séparé les implants plutôt que les patients. Cela signifie que des parties d'une même image radiographique ont pu se retrouver à la fois dans le groupe d'entraînement et dans le groupe de test.

• Pourquoi cela importe : C'est comme donner au détective un examen blanc qui inclut des questions qu'il a déjà vues dans son guide d'étude parce qu'elles proviennent de la même source. Cela crée un risque de « fuite de données » (data leakage), ce qui signifie que les scores de précision pourraient être légèrement plus élevés que ce que l'IA obtiendrait si elle faisait face à de nouveaux patients dans le monde réel. Les auteurs sont transparents à ce sujet, notant que leur précision rapportée est probablement une « limite supérieure » (le meilleur scénario possible) jusqu'à ce qu'ils puissent tester le système avec des données divisées strictement par patient.

Le « Pourquoi » et le « Comment » : Rendre cela transparent
Enfin, l'équipe voulait s'assurer que l'IA ne devinait pas au hasard. Ils ont utilisé deux outils pour regarder à l'intérieur du cerveau de l'IA :

1. EigenCAM : Cet outil met en évidence les parties de la radiographie que l'IA regarde. Ils ont découvert que pour les cas légers, l'IA regardait le haut de l'os, mais pour les cas sévères, elle regardait profondément le long du côté de l'implant. Cela correspond à ce que font les dentistes humains.
2. SHAP : Cet outil a examiné les chiffres. Il a montré que l'IA prêtait attention au « périmètre » (la longueur du bord) de la perte osseuse, ce qui est tout à fait logique : un bord plus long et plus dentelé signifie généralement un problème plus profond.

L'essentiel à retenir
Le document conclut que BoneNet est un outil hautement efficace pour détecter et classer la perte osseuse, mais qu'il fonctionne mieux lorsqu'il combine les « yeux » de l'image avec les « mathématiques » des mesures géométriques. Cependant, les auteurs prennent soin de préciser que, bien que l'outil soit excellent pour les cas légers à modérés, il a encore besoin d'un entraînement supplémentaire sur les cas sévères avant de pouvoir être pleinement fiable pour mesurer seul les pertes osseuses les plus profondes. Ils notent également qu'en raison de la manière dont les données ont été divisées, les résultats actuels pourraient être légèrement optimistes. Ils suggèrent que, pour l'instant, c'est un fantastique assistant pour aider les dentistes à trier les patients, mais qu'un humain doit toujours vérifier les cas les plus graves.