L’intelligence artificielle (IA) occupe désormais une place croissante en odontologie, notamment dans l’aide au diagnostic et à la planification thérapeutique à partir d’imageries.Son essor repose sur la convergence de trois facteurs majeurs : la disponibilité de grandes bases de données d’imagerie, l’augmentation des capacités de calcul et le développement d’architectures d’apprentissage profond de plus en plus performantes. Les radiographies panoramiques, ou orthopantomogrammes (OPG), représentent aujourd’hui le type d’imagerie le plus représenté dans les recherches sur l’IA en odontologie [1].
Le traitement automatisé de ces radiographies repose majoritairement sur des réseaux de neurones convolutifs (CNN), capables d’extraire des caractéristiques visuelles hiérarchisées à partir des pixels. Les applications peuvent être regroupées en quatre grandes catégories, reposant chacune sur des modèles spécifiques (fig. 1) :
- classification : assignation d’une étiquette, par exemple le type d’imagerie ;
- détection : localisation d’objets ou de lésions ;
- segmentation : délimitation précise des structures ;
- régression : estimation d’une variable continue, comme l’âge dentaire.
La majorité des modèles ont été entraînés à partir d’annotations d’experts, la qualité de ces annotations constitue un facteur déterminant de performance, mais également une source potentielle de biais. Les performances diagnostiques rapportées sont souvent élevées, avec des sensibilités et spécificités comparables à celles d’experts humains [2, 3]. Cependant, la généralisation clinique reste limitée par la variabilité méthodologique, le manque de standardisation et la nécessité de validations externes robustes [1].
Dans ce contexte de développement rapide des architectures d’IA et de leur intégration croissante en pratique clinique, cet état des lieux vise à synthétiser les principales…
