Scope and performance of artificial intelligence

Abstract

Introdução: A inteligência artificial (IA), que abrange subáreas como o machine learning (ML), redes neuronais artificiais (ANNs), large language models (LLMs), redes neuronais convolucionais (CNNs) e deep learning (DL), oferece diversas ferramentas para a análise de dados e reconhecimento de padrões. Na ortodontia, a IA tem sido cada vez mais aplicada na interpretação de imagens radiográficas, previsão de padrões de crescimento e apoio à tomada de decisão clínica. Objetivos: O objetivo desta revisão sistemática foi explorar as aplicações e o desempenho da inteligência artificial (IA) na ortodontia nos últimos cinco anos. Materiais e Métodos: Foi realizada uma pesquisa bibliografica na base de dados PubMed e Cochrane para complementar a investigação sistemática. Revistas indexadas na base de dados médica foram analisadas manualmente para identificar estudos que cumprissem os critérios de inclusão pré-definidos. A estratégia de pesquisa utilizou o termo Medical Subject Headings (MeSH) “Dental journals” com a seguinte combinação booleana: #1 Search: (Artificial intelligence) AND (Orthodontics). Esta pesquisa inicial identificou 770 artigos, dos quais, após a aplicação dos critérios de inclusão e exclusão, foram selecionados 22 estudos relevantes. As datas de publicação destes estudos variaram entre 2021 e 2024. Resultados: Um total de 22 estudos foi incluído após a leitura integral dos textos. As Redes Neurais Convolucionais (CNN) foram os modelos de IA mais utilizados, presentes em quase metade dos estudos (n = 10), seguidas pelos algoritmos Random Forest (n = 5). As telerradiografias laterais foram a modalidade de imagem mais frequentemente utilizada, aparecendo em aproximadamente 60% dos estudos. Oito estudos compararam modelos de IA com especialistas humanos, enquanto quatro envolveram a avaliação, por peritos, das respostas geradas pelos sistemas de IA. Além disso, nove estudos compararam diferentes modelos de IA para identificar as abordagens mais eficazes nas tarefas clínicas em ortodontia.

Discussão: Os modelos de machine learning (ML) utilizados em ortodontia incluem ANN, RF, LR, SVM e algoritmos avançados como o Gradient Boosted Trees. Todos os 22 estudos incluídos nesta revisão sistemática relataram um desempenho eficaz dos sistemas de IA, destacando a precisão, eficiência e fiabilidade no apoio à tomada de decisão clínica. No entanto, uma limitação importante reside na dependência da qualidade e do tamanho da amostra dos dados; os algoritmos de ML apresentam melhor desempenho com conjuntos de dados maiores, enquanto amostras pequenas podem comprometer a precisão diagnóstica. Conclusão: Esta revisão sistemática demonstrou consistentemente a eficácia dos sistemas de inteligência artificial em ortodontia, especialmente no apoio à tomada de decisões clínicas e nas tarefas de diagnóstico. Apesar destes resultados promissores, os modelos de IA continuam altamente dependentes da qualidade dos dados, do tamanho da amostra e da disponibilidade de padrões de referência precisos para o treino.

Introduction: Artificial intelligence (AI), encompassing subfields such as machine learning (ML), artificial neural networks (ANNs), large language models (LLMs), convolutional neural networks (CNNs), and deep learning (DL), offers diverse tools for data analysis and pattern recognition. In orthodontics, AI has been increasingly applied to interpret radiographic images, predict growth patterns, and assist in clinical decision-making. Objectives: The objective of this systematic review was to explore the applications and performance of artificial intelligence (AI) in orthodontics over the past five years. Materials and Methods: Bibliographic search in the PubMed and Cochrane database was conducted to complement the systematic investigation. Indexed journals within the medical database were manually reviewed to identify studies that met the predefined search criteria. The search strategy focused on the Medical Subject Headings (MeSH) term “Dental journals” with the following Boolean combination: #1 Search: (Artificial intelligence) AND (Orthodontics). This initial search retrieved 770 articles, from which, after applying the inclusion and exclusion criteria, 22 relevant studies were selected. The publication dates of these studies ranged from 2021 to 2024. Results : A total of 22 studies were included after full-text screening. Convolutional Neural Networks (CNN) were the most commonly used AI models, present in nearly half of the studies (n = 10), followed by Random Forest algorithms (n = 5). Lateral cephalometric radiographs were the most frequently used imaging modality, appearing in approximately 60% of the studies. Eight studies compared AI models with human experts, while four involved expert evaluation of AI outputs. Additionally, nine studies compared different AI models to identify the most effective approaches for clinical orthodontic tasks. Discussion: Machine learning (ML) models used in orthodontics include ANN, RF, LR, SVM, and advanced algorithms like Gradient Boosted Trees. All 22 studies in this systematic review reported effective AI performance, highlighting accuracy, efficiency, and reliability in clinical decision-making. However, a key limitation is the dependency on data quality and sample size; ML algorithms perform better with larger datasets, and small samples can limit diagnostic accuracy. Conclusion: this systematic review consistently demonstrated the effectiveness of AI systems in orthodontics, particularly in supporting clinical decision-making and diagnostic tasks. Despite these promising results, AI models remain highly dependent on data quality, sample size, and the availability of accurate gold standards for training.