Entrenamiento en Etiquetado Radiográfico como base para el desarrollo de una Inteligencia Artificial en Odontología: Estudio Piloto

Abstract

Introducción: La inteligencia artificial ha emergido como una herramienta innovadora en odontología, optimizando el diagnóstico y tratamiento de diversas condiciones. La aplicación de IA en odontología requiere bases de datos robustas para su correcto entrenamiento. Esta investigación propone que el trabajo colaborativo entre docentes y estudiantes, al clasificar sistemáticamente imágenes, puede constituir una base para alimentar modelos de IA. Se plantea que este proceso favorecerá el desarrollo tecnológico y también mejorará las competencias diagnósticas del alumnado mediante el análisis crítico de imágenes clínicas. Material y métodos: Se seleccionaron 10 ortopantomografías con criterios de calidad, variedad anatómica y patológica. Participaron 10 estudiantes de 4.º año y 5.º año y un comité de 3 expertos. Se desarrolló una guía de etiquetado estandarizada (17 ítems) que incluyó patologías, estructuras anatómicas y tratamientos previos. Cada estudiante analizó las imágenes de forma individual, siguiendo especificaciones técnicas y marcando los ítems correspondientes. Posteriormente, se aplicó un análisis estadístico ordinal comparativo entre los tres grupos. Resultados: El grupo de 5.º curso alcanzó un promedio general de 77,2 % de precisión diagnóstica y el de 4º. Curso de 70,3% de coincidencia frente al patrón de referencia de los expertos. En 6 de las 10 radiografías analizadas, los estudiantes de 5.º curso obtuvieron mejores resultados. En 3 casos, los de 4.º curso superaron a sus compañeros y en 1 caso ambos grupos presentaron una precisión similar. La diferencia total entre grupos, aunque moderada, es estadísticamente relevante. Conclusión: Los resultados evidencian que el análisis y etiquetado sistemático de ortopantomografías por parte de estudiantes de Odontología constituye una herramienta eficaz tanto para el aprendizaje clínico como para el desarrollo de sistemas de IA. La colaboración entre docentes y alumnos ha permitido generar una base de datos precisa, diversificada y clínicamente relevante. La implementación futura de esta base de datos en sistemas de IA permitirá entrenar algoritmos capaces de identificar patologías, estructuras y tratamientos con alta precisión