@MASTERSTHESIS{ 2022:1282035591,
 	title = {Inteligência artificial como método auxiliar na estimativa de idade em radiografia panorâmica},
 	year = {2022},
 	url = "http://tede.bc.uepb.edu.br/jspui/handle/tede/4588",
 	abstract = "O conhecimento da idade dos indivíduos vivos é de fundamental importância no que concerne
 à responsabilidade criminal e à imigração ilegal, assim como na reconstrução do perfil biológico
 de cadáveres não identificados em desastres em massa. Abordagens relativamente não invasivas
 para a previsão da idade vem sendo utilizadas há bastante tempo, por exemplo, a razão entre
 medidas do dente e da cavidade pulpar utilizando radiografias odontológicas, também chamado
 de método de Kvaal. Entretanto, estimar a idade por meio de métodos radiográficos pode
 apresentar uma margem de erro alta, além de exigir abordagens complexas, tempo e
 treinamento dos examinadores. Sendo assim, surge a possibilidade de aumentar a precisão da
 estimativa com a utilização da inteligência artificial que vem alcançando resultados em diversas
 áreas do conhecimento. Este estudo teve como objetivo estimar a idade por meio do método
 radiográfico de Kvaal em radiografias panorâmicas utilizando a inteligência artificial como
 abordagem auxiliar. Tratou-se de um estudo observacional transversal aprovado pelo Comitê
 de Ética em Pesquisa sob o CAAE: 56455322.6.0000.5187. Foram selecionadas 554
 radiografias panorâmicas do banco de dados de uma clínica privada de radiologia odontológica
 do nordeste brasileiro coletadas entre os anos de 2017 a 2019 e realizadas nos equipamentos
 Carestream® CS 8100 3D e no Carestream® CS 9000 3D. As radiografias foram de pacientes
 com idades entre 13 e 57 anos apresentando o incisivo central superior esquerdo e o canino
 superior esquerdo irrompidos e hígidos. A concordância intraobservador para o método de
 Kvaal foi estabelecida através do teste Kappa de Cohen, no qual o coeficiente demonstrou
 confiabilidade de moderada a perfeita. Para a estimativa da idade através do método de Kvaal
 foram realizadas medidas lineares nas imagens utilizando o software ImageJ®. A fim de
 compensar qualquer diferença na ampliação das imagens radiográficas, as proporções entre as
 medidas realizadas no dente e na cavidade pulpar foram calculadas. Os dados do método de
 Kvaal foram analisados estatisticamente através do teste de Mann-Whitney, do coeficiente de
 correlação de Spearman, do teste t-Student e da regressão linear para estimar as idades e analisar
 a variabilidade dos dados da estimativa. A margem de erro utilizada na decisão dos testes
 estatísticos foi de 5% e os intervalos com 95% de confiança. Em relação à previsão de idade
 através da inteligência artificial foram utilizadas três abordagens: semântica, radiômica e a
 concatenação dos atributos semânticos e radiômicos. O particionamento da amostra foi
 realizado na proporção 85/15 (85% da amostra para treinamento e 15% para testes) nas três
 abordagens. A partir do treinamento, os algoritmos de regressão com os melhores desempenhos
 foram selecionados e utilizados no grupo de testes: Logistic Regression, Linear Regression,
 Random Forest Reg, Gradient Boost Reg e XG Boosting Reg. Foram extraídos os dados
 tabulados do método de Kvaal gerando dezenove atributos semânticos. Os incisivos centrais
 superiores e os caninos superiores foram segmentados das radiografias panorâmicas
 manualmente através do software GIMP® e geraram sete atributos radiômicos (contraste,
 correlação, energia, homogeneidade, entropia, media e desvio) para cada dente, totalizando
 quatorze atributos. Por fim, a concatenação dos dados resultou em trinta e três atributos
 (semânticos e radiômicos). Para analisar os resultados estatísticos do aprendizado de máquina
 foi aplicado o Erro Médio Absoluto (EMA). O método de Kvaal isolado é aplicável na
 população estudada (EMA 5,68) com destaque para o incisivo superior (EPE 7,10) que obteve
 maior precisão de estimativa que o canino (EPE 7,38). No tocante ao aprendizado de máquina
 aplicado, a extração de atributos semânticos e radiômicos apresentaram desempenho
 semelhante na base completa (EMA 5,23), enquanto a concatenação desses atributos obteve
 precisão superior na estimativa das idades (EMA 4,77). O classificador XG Boosting Reg
 demonstrou performance promissora. O aprendizado de máquina apresentou precisão mais alta
 (EMA 4,77) ao estimar as idades da população estudada quando em relação ao método de Kvaal(EMA 5,68). Portanto, a inteligência artificial pode ser aplicada como abordagem auxiliar na
 estimativa de idade utilizando radiografias panorâmicas.",
 	publisher = {Universidade Estadual da Paraíba},
 	scholl = {Programa de Pós-Graduação em Odontologia - PPGO},
 	note = {Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP}
}