OMNI-Dent: Towards an Accessible and Explainable AI Framework for Automated Dental Diagnosis

Resumo Técnico: OMNI-Dent

1. O Problema (Contexto e Motivação)

O acesso ao diagnóstico odontológico profissional é desigual, especialmente em comunidades rurais ou subatendidas. Embora a inteligência artificial (IA) tenha avançado no setor, os métodos atuais enfrentam três limitações principais:

• Dependência de Dados Especializados: A maioria dos modelos exige grandes conjuntos de dados anotados por especialistas e imagens clínicas de alta qualidade (radiografias ou fotos intraorais profissionais), o que é difícil de escalar.
• Abordagem de Reconhecimento de Padrões: Os sistemas atuais tratam o diagnóstico apenas como uma tarefa de visão computacional (classificação de imagem), ignorando o raciocínio clínico estruturado que os dentistas utilizam (como comparar dentes vizinhos ou analisar a morfologia de múltiplas superfícies).
• Falta de Explicabilidade: Modelos de "caixa-preta" não explicam o porquê de um diagnóstico, o que limita a confiança clínica.

2. Metodologia (A Proposta OMNI-Dent)

O OMNI-Dent é um framework de diagnóstico baseado em Modelos de Visão-Linguagem (VLM) de uso geral, projetado para operar com fotografias de smartphones de múltiplas vistas (frontal, oclusal superior e oclusal inferior). O diferencial é que ele não requer ajuste fino (fine-tuning) do VLM para tarefas odontológicas, utilizando em vez disso um pipeline de três módulos:

1. Módulo de Detecção de Dentes (Tooth Detection): Utiliza um modelo baseado em YOLOv11 para localizar cada dente nas imagens e atribuir um identificador baseado no sistema de numeração universal. Isso fornece uma guia visual explícita para o modelo de linguagem.
2. Módulo de Raciocínio Clínico (Clinical Reasoning): Este é o núcleo do sistema. Ele guia um VLM pré-treinado (neste caso, o InternVL2) através de um processo de três etapas inspirado no fluxo de trabalho de um dentista:
   • Etapa 1 (Avaliação Primária): Atribuição de papel e identificação de indicadores iniciais (mudanças de cor ou morfologia).
   • Etapa 2 (Verificação de Padrões): Comparação com dentes contralaterais e análise de texturas (ex: superfícies polidas vs. erosivas).
   • Etapa 3 (Diagnóstico Final): Integração das observações para gerar o diagnóstico e a justificativa textual.
3. Módulo de Integração de Diagnóstico: Consolida as previsões feitas em cada uma das diferentes vistas (fotos) para gerar um resumo diagnóstico final por indivíduo.

3. Principais Contribuições

• Eficiência de Dados: Demonstra que é possível realizar diagnósticos de nível de dente usando VLMs de propósito geral sem a necessidade de treinamento massivo em dados odontológicos específicos.
• Raciocínio Baseado em Heurísticas: Introduz um método de "instrução de raciocínio" que emula a lógica clínica, permitindo que a IA "pense" como um profissional.
• Acessibilidade: Foca em imagens de smartphones, permitindo o uso como ferramenta de triagem inicial em ambientes domésticos ou remotos.
• Explicabilidade: O sistema não entrega apenas um rótulo (ex: "desgaste"), mas uma descrição textual do raciocínio (ex: "desgaste presente devido à superfície achatada e brilhante no bordo incisal").

4. Resultados Experimentais

Os pesquisadores avaliaram o modelo em um conjunto de dados de participantes adultos, focando em três categorias: desgaste dentário (wear), fratura de coroa não complicada e cárie dentária.

• Desempenho Superior: O OMNI-Dent superou significativamente todos os modelos de linha de base (baselines) em termos de F1-score. Por exemplo, na detecção de anormalidades gerais, o OMNI-Dent alcançou um F1-score de 0,88, comparado a apenas 0,69 do melhor baseline.
• Impacto do Raciocínio Clínico: Os experimentos mostraram que fornecer o "raciocínio clínico" via prompts foi crucial para detectar condições sutis, como fraturas de coroa, onde os modelos sem orientação falharam quase completamente.
• Aprendizado em Contexto (ICL): O uso de In-Context Learning (fornecer exemplos de casos reais no prompt) melhorou o diagnóstico de fraturas, mas não foi tão eficaz para cáries, que possuem padrões visuais muito variáveis.
• Detecção de Dentes: O módulo YOLOv11, após o ajuste fino para imagens de smartphone, atingiu uma precisão de 0,96 e um F1-score de 0,92.

5. Significância e Implicações

O OMNI-Dent posiciona-se como uma ferramenta de triagem de primeira linha. Sua importância reside na capacidade de identificar problemas precocemente em populações que enfrentam barreiras geográficas ou econômicas para acessar dentistas. Embora não substitua o diagnóstico profissional, o framework oferece um suporte acessível, explicável e tecnicamente robusto para determinar quando uma avaliação clínica presencial é urgente.