Automated Detection of Retained Deciduous Teeth from Real- World Smartphone Oral Photographs Using a Two-Stage Deep Learning Framework

Entre l'âge de quatre et douze ans, la bouche d'un enfant est un lieu de changements constants. Les dents primaires, la première série de dents, sont censées tomber pour faire de la place aux dents permanentes. Parfois, cependant, une dent de lait refuse de partir. Elle reste en place, bloquant le passage de la nouvelle dent qui tente d'émerger. Cette condition, connue sous le nom de dent déciduale retenue, est une raison courante des visites chez le dentiste pour les enfants. Si elle n'est pas détectée, elle peut faire pousser les dents permanentes de manière irrégulière, entraînant un encombrement ou un mauvais alignement qui nécessitera un traitement complexe plus tard. Pour de nombreuses familles, en particulier celles vivant dans des zones avec un accès limité aux soins dentaires réguliers, repérer ce problème tôt est difficile. Les parents pourraient ne pas savoir quoi surveiller, et les examens professionnels ne sont pas toujours disponibles.

Ces dernières années, la capacité de prendre des photographies claires avec un smartphone standard a ouvert une nouvelle porte pour le suivi de la santé. Des chercheurs explorent actuellement si l'intelligence artificielle peut apprendre à lire ces images quotidiennes et à repérer des problèmes dentaires qu'un profane pourrait manquer. Cette approche repose sur l'apprentissage profond (deep learning), un type d'informatique où un programme étudie des milliers d'images pour reconnaître des motifs. Au lieu d'être programmé avec des règles strictes sur l'apparence d'une dent, l'ordinateur apprend par l'exemple, construisant progressivement une compréhension de ce qui est normal et de ce qui ne l'est pas. L'objectif est de créer un outil qui ne fonctionne pas dans une clinique stérile avec un éclairage parfait, mais dans la réalité désordonnée et variable d'un foyer ou d'une école.

Une équipe de chercheurs de l'Université de Pékin a franchi une étape significative dans cette direction en développant un système conçu pour détecter automatiquement les dents déciduales retenues à partir de photos de smartphones du monde réel. Leur travail répond à une lacune spécifique de la technologie dentaire. Bien que l'intelligence artificielle ait été utilisée pour trouver des caries ou des maladies des gencives, elle a rarement été appliquée au défi spécifique de l'identification des dents de lait qui ne tombent pas. De plus, la plupart des études précédentes reposaient sur des images de haute qualité prises avec des caméras dentaires professionnelles dans des environnements contrôlés. Le nouveau système, cependant, a été conçu pour gérer les imperfections des photos prises par des parents ou des tuteurs, qui varient souvent en luminosité, en angle et en encombrement de l'arrière-plan.

Pour entraîner leur système, les chercheurs ont rassemblé une vaste collection de photographies buccales. La source principale provient de cinq dentistes pédiatriques qui ont fourni des images prises par les tuteurs des patients lors des consultations. Ils ont également inclus un ensemble plus restreint d'images provenant de sources en ligne publiques. Au total, ils ont utilisé 587 images pour apprendre à l'ordinateur comment reconnaître la condition, et un groupe distinct de 526 images pour tester si le système pouvait appliquer ce qu'il a appris à de nouvelles images inédites. Chaque image a été soigneusement étiquetée par des professionnels de la dentisterie pour indiquer si une dent retenue était présente ou absente. Pour s'assurer que l'ordinateur puisse apprendre efficacement, l'équipe a équilibré les données afin qu'il ne soit pas biaisé en faveur d'un résultat plutôt que de l'autre.

Le système qu'ils ont construit fonctionne en deux étapes distinctes, un peu comme un humain regardant une photo puis se concentrant sur un détail spécifique. D'abord, l'ordinateur scanne l'image entière pour trouver la bouche. Il utilise un modèle de détection pour tracer un cadre autour de la région orale, ignorant le reste du visage ou l'arrière-plan. Cette étape est cruciale car elle isole la zone d'intérêt, garantissant que le système n'est pas distrait par les cheveux, les vêtements ou d'autres caractéristiques. Une fois la bouche identifiée, le système recadre cette section et la transmet à une seconde étape. Ici, un modèle de classification examine les dents à l'intérieur de ce cadre pour décider si une dent de lait est encore présente. Cette approche en deux étapes permet au système de gérer la complexité d'une photo de plein visage avant de se concentrer sur les structures dentaires qui comptent.

Lorsque les chercheurs ont testé le système, les résultats ont été frappants. La première étape, qui localise la bouche, était presque parfaite, identifiant la région orale dans presque toutes les images. La seconde étape, qui détermine si une dent est retenue, a également performé avec une grande fiabilité. Lors d'un test rigoureux où les données ont été divisées en cinq parties et où le modèle a été entraîné et testé de manière répétée, le système a correctement identifié la condition dans environ 95 % des cas. Plus important encore, lorsque le système a été testé sur le groupe d'images complètement séparé qu'il n'avait jamais vu auparavant, il a maintenu une capacité très élevée à détecter la condition. Il n'a manqué qu'une infime fraction des cas réels, identifiant correctement 97,3 % des enfants présentant une dent retenue. Cette haute sensibilité est vitale pour un outil de dépistage, car il est bien préférable de signaler un enfant en bonne santé pour un contrôle que de manquer un enfant qui nécessite un traitement.

Les chercheurs ont également voulu savoir si le système échouerait si la photo n'était pas parfaite. Dans le monde réel, les images peuvent être floues, granuleuses ou mal éclairées. Pour tester cela, ils ont délibérément introduit divers types de dégradation d'image, comme l'ajout de bruit ou le floutage de l'image, pour voir comment le système réagissait. Le modèle s'est montré remarquablement robuste. Même lorsque la qualité de l'image était considérablement réduite, la capacité du système à détecter la condition est restée stable. Il n'a pas commencé à commettre des erreurs lorsque la photo était moins claire. Cela suggère que l'outil pourrait fonctionner efficacement dans des contextes quotidiens où l'éclairage et la qualité de la caméra ne peuvent être contrôlés.

Pour comprendre comment l'ordinateur prenait ses décisions, l'équipe a utilisé une technique de visualisation qui met en évidence les parties spécifiques de l'image sur lesquelles le système se concentrait. Les résultats ont montré que le modèle regardait les zones correctes. Lorsqu'une dent retenue était présente, l'attention du système se concentrait sur cette dent spécifique et la zone environnante où la nouvelle dent tentait d'émerger. Il n'était pas trompé par les ombres ou les objets en arrière-plan. Cette transparence est importante car elle montre que le système utilise des caractéristiques cliniquement pertinentes, tout comme un dentiste le ferait, plutôt que de s'appuyer sur des motifs aléatoires.

Les chercheurs ont également construit une application web fonctionnelle qui démontre comment cette technologie pourrait être utilisée en pratique. Un utilisateur peut télécharger une photo de la bouche d'un enfant, et le système l'analysera instantanément, renvoyant une prédiction. Ce prototype représente une boucle fermée où les données peuvent être collectées, analysées et utilisées pour améliorer le système au fil du temps. Les auteurs soulignent que cet outil n'est pas destiné à remplacer un dentiste. Au contraire, il est conçu pour servir de méthode de dépistage assistée pour les parents, les écoles ou les prestataires de soins primaires. Il pourrait aider à identifier les enfants qui doivent voir un spécialiste plus tôt, réduisant potentiellement la charge des cliniques dentaires et améliissant les résultats pour les enfants des communautés mal desservies.

Bien que les résultats soient prometteurs, les chercheurs reconnaissent que l'étude présente des limites. Les images utilisées ont été collectées auprès de sources spécifiques, ce qui pourrait ne pas représenter tous les scénarios auxquels un enfant pourrait être confronté. Le système identifie actuellement uniquement la présence d'une dent retenue, sans détailler combien de dents sont affectées ou exactement où elles se situent. De plus, l'étude était rétrospective, ce qui signifie qu'elle a examiné des données passées plutôt que de tester le système dans un cadre clinique en direct avec des interactions en temps réel avec les patients. Les travaux futurs devront élargir les données pour inclure des populations plus diverses et tester le système dans des études prospectives pour voir comment il se comporte dans la pratique quotidienne.

Le développement de ce cadre en deux étapes marque une avancée pratique dans l'application de l'intelligence artificielle à la dentisterie pédiatrique. En se concentrant sur une condition courante mais souvent négligée et en construisant un système qui fonctionne avec les images imparfaites que les gens prennent réellement, les chercheurs ont créé un outil doté d'un véritable potentiel pour la santé publique. La haute précision et la robustesse du modèle suggèrent qu'il pourrait devenir une partie précieuse du processus de dépistage, aidant à garantir que les enfants reçoivent des soins opportuns pour leur sourire en développement.