Aplicación de la inteligencia artificial en el diagnóstico cefalométrico en ortodoncia. Revisión de la literatura.
DOI:
https://doi.org/10.56048/MQR20225.9.4.2025.e1115Palabras clave:
Diagnóstico; Artificial; Ortodóntico; Cefalometría; InteligenciaResumen
Esta investigación tiene como objetivo reportar la aplicación de la inteligencia artificial con el fin de mejorar la precisión diagnóstica y cefalométrica en ortodoncia mediante la integración de sistemas basados en inteligencia artificial (IA). Mediante un enfoque de tipo documental, descriptiva y transversal, que se basa en la recopilación de información sobre la aplicación de la inteligencia artificial en el diagnóstico cefalométrico en ortodoncia. Si bien la IA es un tema amplio con numerosas categorías, existen dos tipos: IA simbólica y aprendizaje automático. La IA simbólica se refiere a un conjunto de métodos para construir algoritmos de forma comprensible para los humanos. El aprendizaje profundo es un tipo de aprendizaje automático en el que una computadora reconoce características en los datos. Este artículo pretende discutir el alcance y el rendimiento de estos modelos basados en IA que se han aplicado en diversos aspectos del diagnóstico de ortodoncia, la planificación del tratamiento, la toma de decisiones clínicas y la predicción del pronóstico. En conclusión, el impacto de la IA en ortodoncia es notable, dado que dicha especialidad se vale de manera especial de las herramientas de diagnóstico que ayudan a la toma de decisiones clínicas; los estudios revisados son coincidentes en que los sistemas de IA dan resultados eficaces, confiables y con gran futuro, ya que facilitan las tareas complejas, son rápidos y pueden ser un apoyo para los dentistas menos experimentados, ahorrando tiempo y mejorando la calidad asistencial.
Descargas
Métricas
Cited
DOI: 10.56048
Citas
Alvarado, M. (2015). Una mirada a la inteligencia artificial. Revista Ingeniería, Matemáticas y Ciencias de la Información, 2(3), 27-31. https://dialnet.unirioja.es/servlet/articulo?codigo=7894426
Arık, S. Ö., Ibragimov, B., & Xing, L. (2017). Fully automated quantitative cephalometry using convolutional neural networks. Journal of Medical Imaging, 4(1), 014501. https://doi.org/10.1117/1.JMI.4.1.014501
Bichu, Y. M., Hansa, I., Bichu, A. Y., Premjani, P., Flores-Mir, C., & Vaid, N. R. (2021). Applications of artificial intelligence and machine learning in orthodontics: A scoping review. Progress in Orthodontics, 22(1), 18. https://doi.org/10.1186/s40510-021-00361-9
Bohr, A., & Memarzadeh, K. (2020). The rise of artificial intelligence in healthcare applications. Artificial Intelligence in Healthcare, 25-60. https://doi.org/10.1016/B978-0-12-818438-7.00002-2
Carbonell-García, C. E., Burgos-Goicochea, S., Calderón-de-los-Ríos, D. O., Paredes-Fernández, O. W., Carbonell-García, C. E., Burgos-Goicochea, S., Calderón-de-los-Ríos, D. O., & Paredes-Fernández, O. W. (2023). La Inteligencia Artificial en el contexto de la formación educativa. Episteme Koinonía. Revista Electrónica de Ciencias de la Educación, Humanidades, Artes y Bellas Artes, 6(12), 152-166. https://doi.org/10.35381/e.k.v6i12.2547
Choi, H.-I., Jung, S.-K., Baek, S.-H., Lim, W. H., Ahn, S.-J., Yang, I.-H., & Kim, T.-W. (2019). Artificial Intelligent Model With Neural Network Machine Learning for the Diagnosis of Orthognathic Surgery. The Journal of Craniofacial Surgery, 30(7), 1986-1989. https://doi.org/10.1097/SCS.0000000000005650
Çoban, G., Öztürk, T., Hashimli, N., & Yağci, A. (2022). Comparison between cephalometric measurements using digital manual and web-based artificial intelligence cephalometric tracing software. Dental Press Journal of Orthodontics, 27, e222112. https://doi.org/10.1590/2177-6709.27.4.e222112.oar
Dipalma, G., Inchingolo, A. D., Inchingolo, A. M., Piras, F., Carpentiere, V., Garofoli, G., Azzollini, D., Campanelli, M., Paduanelli, G., Palermo, A., & Inchingolo, F. (2023). Artificial Intelligence and Its Clinical Applications in Orthodontics: A Systematic Review. Diagnostics, 13(24), Article 24. https://doi.org/10.3390/diagnostics13243677
Hwang, H.-W., Park, J.-H., Moon, J.-H., Yu, Y., Kim, H., Her, S.-B., Srinivasan, G., Aljanabi, M. N. A., Donatelli, R. E., & Lee, S.-J. (2020). Automated identification of cephalometric landmarks: Part 2-Might it be better than human? The Angle Orthodontist, 90(1), 69-76. https://doi.org/10.2319/022019-129.1
Junaid, N., Khan, N., Ahmed, N., Abbasi, M. S., Das, G., Maqsood, A., Ahmed, A. R., Marya, A., Alam, M. K., & Heboyan, A. (2022a). Development, Application, and Performance of Artificial Intelligence in Cephalometric Landmark Identification and Diagnosis: A Systematic Review. Healthcare, 10(12), Article 12. https://doi.org/10.3390/healthcare10122454
Lee, J.-H., Yu, H.-J., Kim, M., Kim, J.-W., & Choi, J. (2020). Automated cephalometric landmark detection with confidence regions using Bayesian convolutional neural networks. BMC Oral Health, 20, 270. https://doi.org/10.1186/s12903-020-01256-7 (bmcoralhealth.biomedcentral.com)
Jung, S.-K., & Kim, T.-W. (2016). New approach for the diagnosis of extractions with neural network machine learning. American Journal of Orthodontics and Dentofacial Orthopedics: Official Publication of the American Association of Orthodontists, Its Constituent Societies, and the American Board of Orthodontics, 149(1), 127-133. https://doi.org/10.1016/j.ajodo.2015.07.030
Inteligencia artificial en la mejora del diagnóstico y tratamiento en Ortodoncia: avances, desafíos y perspectivas. Revisión de la literatura | KIRU ISSN electrónico 2410-2717 ISSN Impreso 1812 - 7886 https://share.google/gzwNdPH5YgMeUkFst
Khanagar, S. B., Al-Ehaideb, A., Vishwanathaiah, S., Maganur, P. C., Patil, S., Naik, S., Baeshen, H. A., & Sarode, S. S. (2021b). Scope and performance of artificial intelligence technology in orthodontic diagnosis, treatment planning, and clinical decision-making—A systematic review. Journal of Dental Sciences, 16(1), 482-492. https://doi.org/10.1016/j.jds.2020.05.022
Kök, H., Acilar, A. M., & İzgi, M. S. (2019). Usage and comparison of artificial intelligence algorithms for determination of growth and development by cervical vertebrae stages in orthodontics. Progress in Orthodontics, 20(1), 41. https://doi.org/10.1186/s40510-019-0295-8
Kunz, F., Stellzig-Eisenhauer, A., Zeman, F., & Boldt, J. (2020). Artificial intelligence in orthodontics: Evaluation of a fully automated cephalometric analysis using a customized convolutional neural network. Journal of Orofacial Orthopedics = Fortschritte Der Kieferorthopadie: Organ/Official Journal Deutsche Gesellschaft Fur Kieferorthopadie, 81(1), 52-68. https://doi.org/10.1007/s00056-019-00203-8
Leonardi, R., Giordano, D., & Maiorana, F. (2009). An Evaluation of Cellular Neural Networks for the Automatic Identification of Cephalometric Landmarks on Digital Images. BioMed Research International, 2009(1), 717102. https://doi.org/10.1155/2009/717102
Leonardi, R., Giordano, D., Maiorana, F., & Spampinato, C. (2008). Automatic Cephalometric Analysis. https://doi.org/10.2319/120506-491.1
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. En B. Leibe, J. Matas, N. Sebe, & M. Welling (Eds.), Computer Vision – ECCV 2016 (pp. 21-37). Springer International Publishing. https://doi.org/10.1007/978-3-319-46448-0_2
Lu, C.-H., Ko, E. W.-C., & Liu, L. (2009). Improving the video imaging prediction of postsurgical facial profiles with an artificial neural network. Journal of Dental Sciences, 4(3), 118-129. https://doi.org/10.1016/S1991-7902(09)60017-9
Makaremi, M., Lacaule, C., & Mohammad-Djafari, A. (2019). Deep Learning and Artificial Intelligence for the Determination of the Cervical Vertebra Maturation Degree from Lateral Radiography. Entropy, 21(12), 1222. https://doi.org/10.3390/e21121222
Mario, M. C., Abe, J. M., Ortega, N. R. S., & Del Santo, M. (2010). Paraconsistent artificial neural network as auxiliary in cephalometric diagnosis. Artificial Organs, 34(7), E215-221. https://doi.org/10.1111/j.1525-1594.2010.00994.x
Meriç, P., & Naoumova, J. (2020). Web-based Fully Automated Cephalometric Analysis: Comparisons between App-aided, Computerized, and Manual Tracings. Turkish Journal of Orthodontics, 33(3), 142-149. https://doi.org/10.5152/TurkJOrthod.2020.20062
Monill-González, A., Rovira-Calatayud, L., d’Oliveira, N. G., & Ustrell-Torrent, J. M. (2021). Artificial intelligence in orthodontics: Where are we now? A scoping review. Orthodontics & Craniofacial Research, 24(S2), 6-15. https://doi.org/10.1111/ocr.12517
Morales-Bravo, R., Pisón-Santana, L., Hidalgo-Rivas, A., Palma-Díaz, E., Morales-Bravo, R., Pisón-Santana, L., Hidalgo-Rivas, A., & Palma-Díaz, E. (2022a). Estado del arte de inteligencia artificial en ortodoncia. Revisión narrativa. Avances en Odontoestomatología, 38(4), 156-163. https://doi.org/10.4321/s0213-12852022000400005
Kim, M.-J., Liu, Y., Oh, S. H., Ahn, H.-W., Kim, S.-H., & Nelson, G. (2021). Automatic Cephalometric Landmark Identification System Based on the Multi-Stage Convolutional Neural Networks with CBCT Combination Images. Sensors, 21(2), 505. https://doi.org/10.3390/s21020505.
Uğurlu, M. (2022). Performance of a Convolutional Neural Network-Based Artificial Intelligence Algorithm for Automatic Cephalometric Landmark Detection. Turkish Journal of Orthodontics, 35(2), 94-100. https://doi.org/10.5152/TurkJOrthod.2022.22026
Park, J.-H., Hwang, H.-W., Moon, J.-H., Yu, Y., Kim, H., Her, S.-B., Srinivasan, G., Aljanabi, M. N. A., Donatelli, R. E., & Lee, S.-J. (2019b). Automated identification of cephalometric landmarks: Part 1—Comparisons between the latest deep-learning methods YOLOV3 and SSD. The Angle Orthodontist, 89(6), 903-909. https://doi.org/10.2319/022019-127.1
Patcas, R., Bernini, D. a. J., Volokitin, A., Agustsson, E., Rothe, R., & Timofte, R. (2019). Applying artificial intelligence to assess the impact of orthognathic treatment on facial attractiveness and estimated age. International Journal of Oral and Maxillofacial Surgery, 48(1), 77-83. https://doi.org/10.1016/j.ijom.2018.07.010
Patcas, R., Timofte, R., Volokitin, A., Agustsson, E., Eliades, T., Eichenberger, M., & Bornstein, M. M. (2019). Facial attractiveness of cleft patients: A direct comparison between artificial-intelligence-based scoring and conventional rater groups. European Journal of Orthodontics, 41(4), 428-433. https://doi.org/10.1093/ejo/cjz007
Planmeca Romexis 3D Cephalometry. (s. f.). Recuperado 2 de septiembre de 2025, de https://www.planmeca.com/es/software-dental/planmeca-romexis/software-cefalometria-3d/
Subramanian, A. K., Chen, Y., Almalki, A., Sivamurthy, G., & Kafle, D. (2022a). Cephalometric Analysis in Orthodontics Using Artificial Intelligence—A Comprehensive Review. BioMed Research International, 2022(1), 1880113. https://doi.org/10.1155/2022/1880113
Jishnu, S., Kurian, B., & Michael, T. (2024). Automated Cephalometric Landmark Detection: A Novel Software Model Compared with Manual Annotation Method. The Cleft Palate-Craniofacial Journal. Advance online publication. https://doi.org/10.1177/03015742231219540.
Uzcátegui Pacheco, R. A., Ríos Colmenárez, M. J., Uzcátegui Pacheco, R. A., & Ríos Colmenárez, M. J. (2024). Inteligencia Artificial para la Educación: Formar en tiempos de incertidumbre para adelantar el futuro. Areté, Revista Digital del Doctorado en Educación, 10(ESPECIAL), 1-21. https://doi.org/10.55560/arete.2024.ee.10.1
van Eck, N. J., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523-538. https://doi.org/10.1007/s11192-009-0146-3
Xie, X., Wang, L., & Wang, A. (2010). Artificial neural network modeling for deciding if extractions are necessary prior to orthodontic treatment. The Angle Orthodontist, 80(2), 262-266. https://doi.org/10.2319/111608-588.1
YOLOv3: Real-Time Object Detection Algorithm. (s. f.). viso.ai. Recuperado 2 de septiembre de 2025, de https://viso.ai/deep-learning/yolov3-overview/
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
®
Los autores se comprometen a respetar la información académica de otros autores, y a ceder los derechos de autor a la Revista MQRInvestigar, para que el artículo pueda ser editado, publicado y distribuido. El contenido de los artículos científicos y de las publicaciones que aparecen en la revista es responsabilidad exclusiva de sus autores. La distribución de los artículos publicados se realiza bajo una licencia 
