ARTIFICIAL INTELLIGENCE IN EARLY DETECTION OF TEMPOROMANDIBULAR JOINT DISORDERS-A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background: Temporomandibular joint disorders (TMDs) affect a significant portion of the population and are a leading cause of chronic orofacial pain and functional limitation. Early diagnosis is crucial for effective intervention, yet conventional diagnostic methods often fall short in accuracy and accessibility. Recent advancements in artificial intelligence (AI) offer a novel approach to early detection through enhanced image analysis, but existing evidence is scattered and lacks systematic synthesis. Objective: This systematic review aims to evaluate the effectiveness and diagnostic performance of AI-based tools in the early identification of temporomandibular joint disorders. Methods: A systematic review was conducted following PRISMA guidelines. Databases searched included PubMed, Scopus, Web of Science, and the Cochrane Library, covering studies published between January 2018 and April 2024. Inclusion criteria encompassed human studies utilizing AI for TMD diagnosis through imaging modalities such as MRI, CBCT, or panoramic radiographs. Exclusion criteria included non-English articles, animal studies, and reviews. Data extraction focused on study design, population, AI model used, imaging type, and diagnostic outcomes. Risk of bias was assessed using the Newcastle-Ottawa Scale and Cochrane tools. Results: Eight studies involving 2,138 participants were included. AI models—primarily convolutional neural networks and deep learning systems—achieved high diagnostic performance with accuracy ranging from 85.7% to 92.3%, sensitivity between 88.0% and 94.1%, and AUC values up to 0.96. Most tools matched or exceeded the diagnostic capabilities of human experts. Risk of bias was low to moderate, though some concerns regarding model validation and blinding were noted. Conclusion: AI-based diagnostic systems demonstrate strong potential for early and accurate detection of TMDs, offering a valuable adjunct to clinical decision-making. However, larger, externally validated studies are needed to support widespread clinical implementation and ensure reproducibility.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».