Title: | Arquitetura de redes neurais usadas na análise de imagens clínicas de lesões brancas da mucosa oral: uma revisão de literatura |
Author: | Souza, Flaviana Silva de |
Abstract: |
As lesões brancas representam um grupo complexo de doenças, cuja principal característica clínica é a presença de áreas esbranquiçadas na mucosa oral. Com etiologias variadas, essas lesões podem ter natureza reativa, infecciosa, autoimune ou pertencer a um subgrupo específico de desordens com potencial de malignização, tornando o diagnóstico um verdadeiro desafio. O objetivo desta revisão literária é realizar um levantamento dos artigos que abordam a avaliação clínica de lesões brancas da mucosa oral por meio de fotografias e que empregaram metodologias de Inteligência Artificial (IA), mais especificamente as redes neurais e suas arquiteturas. Para isso, a pesquisa foi conduzida nas bases de dados PubMed e IEEEXplore, seguindo critérios de inclusão e exclusão. Os resultados nos mostram que diversas arquiteturas de aprendizado profundo, como Redes Neurais Convolucionais (CNNs) e modelos baseados em aprendizado de máquina supervisionado, vêm sendo utilizadas com alta acurácia na detecção e classificação de lesões bucais. Um total de 26 arquiteturas foi identificado. Modelos como VGG19 e DenseNet-169 demonstraram alta precisão na distinção entre lesões benignas e potencialmente malignas, enquanto arquiteturas como U-Net e DeepLab V3+ se destacaram na segmentação das lesões. As principais lesões abordadas foram: lesões orais com potencial de malignização, com foco nas leucoplasias, câncer oral e líquen plano. Apesar dos avanços, desafios ainda persistem, incluindo a necessidade de maior padronização das imagens utilizadas no treinamento dos modelos e a redução da ocorrência de falsos positivos e negativos. Conclui-se que o uso da IA tem sido amplamente empregado na avaliação clínica de lesões brancas da mucosa oral e por meio de algoritmos e modelos de redes neurais se tem obtido bons resultados na identificação, delimitação e classificação das lesões em fotografias. O uso dessas ferramentas na prática clínica tem o potencial de auxiliar em diversas atividades, principalmente na triagem de pacientes para serviços mais especializados, no monitoramento da evolução das lesões e no âmbito das pesquisas clínicas. Abstract: White lesions of the oral cavity represent a group of lesions with a distinguished nature, such as reactive lesions, infectious, autoimmune, or oral potentially malignant disorders (OPMD), which make their diagnosis a challenge. This literature review aimed to collect articles regarding the study of oral white lesions with the use of photographs and Artificial Intelligence (AI) methodologies focusing on neural networks and their architectural features. The search was performed on PubMed and IEEEXplore databases following inclusion and exclusion criteria. The results revealed that a diversity of architectures of deep learning, such as Neural Convolutional Networks and supervised machine learning models are being applied to the segmentation and classification of the lesions in images revealing high accuracy rates. Twenty-six architectures were found in this literature review studies. Models like VGG19 and DenseNet-169 revealed high precision rates in distinguishing benign and OPMD lesions, and U-Net and DeepLab V3+ were the most prominent in segmentation. The lesions included in the studies were oral potentially malignant disorders, with emphasis on oral leukoplakia, oral cancer and lichen planus. Even with the advances in the field, challenges remain, including the need for standardization during the training of these models, so it would reduce the false positives and negatives. In conclusion, AI has been applied to evaluate oral white lesions using algorithms and neural network models and satisfactory results have been described regarding identification, segmentation, and classification. The use of these algorithms in clinical practice has the potential to help with a variety of activities, mostly in patient screening, lesion monitoring, and clinical research. |
Description: | Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Programa de Pós-Graduação em Odontologia, Florianópolis, 2025. |
URI: | https://repositorio.ufsc.br/handle/123456789/265222 |
Date: | 2025 |
Files | Size | Format | View |
---|---|---|---|
PODO0864-D.pdf | 1.024Mb |
View/ |