Resumo: Os tumores odontogênicos (OT) são compostos por lesões heterogêneas, que podem ser benignas ou malignas, com comportamento e histologia diferentes. Dentro dessa classificação, o ameloblastoma e o carcinoma ameloblástico (CA) representam um desafio diagnóstico na prática histopatológica diária devido às suas características semelhantes e às limitações que as biópsias incisionais representam. A partir dessas premissas, quisemos testar a utilidade de modelos baseados em Intelogencia artificial (IA) no campo da patologia oral e maxillofacial para o diagnóstico diferencial. As principais vantagens da integração do Machine Learning (ML) com imagens microscópicas e radiográficas é a capacidade de reduzir significativamente a variabilidade intra e interobservador e melhorar a objetividade e a reprodutibilidade diagnóstica. Objetivo: Este estudo tem como objetivo desenvolver um modelo de Deep Learning (LD) para analisar e diagnosticar TO com características microscópicas sobrepostas que representam desafios no diagnóstico diferencial de patologias bucais, especificamente em dois grupos de lesões: ameloblastomas e carcinomas ameloblásticos (CA). Métodos: Trinta lâminas digitalizadas foram coletadas de diferentes centros diagnósticos de patologia oral do Brasil contendo biópsias com diagnósticos de ameloblastoma e CA. Após a realização da anotação manual na região de interesse, as imagens foram segmentadas e fragmentadas em pequenos retalhos. Na metodologia de aprendizagem supervisionada para classificação de imagens, três modelos (ResNet50, DenseNet e VGG16) foram foco de investigação para fornecer a probabilidade de uma imagem ser classificada como classe 0 (ameloblastoma) ou classe 1 (CA). Com a execução dos ajustes necessários de parâmetros e hiperparâmetros, o desempenho final desses modelos no conjunto de testes foi avaliado através de métricas clássicas. Resultados: As métricas de treinamento e validação não apresentaram convergência, caracterizando overfitting. No entanto, os resultados do teste foram minimamente satisfatórios, com média para o ResNet50 de 0,75, 0,71, 0,84, 0,65 e 0,77 para acurácia, precisão, sensibilidade, especificidade e escore F1, respectivamente. Conclusões: A presente pesquisa revelou que os modelos demonstraram um forte potencial de aprendizagem, mas falta de capacidade de generalização. Os modelos aprendem rápido, atingindo uma precisão de treinamento de 98% durante algumas épocas de treinamento. O processo de avaliação mostrou instabilidade na validação; ainda com desempenho minimamente aceitável no processo de teste, o que pode indicar que o conjunto de dados precisa ser aumentado para se tornar mais representativo para treinamento e validação. Apesar de atingir desempenho minimamente aceitável, este estudo estabeleceu um ponto de partida e um caminho para o progresso contínuo. Esta primeira investigação abre uma oportunidade para expandir a colaboração para incorporar mais dados complementares; bem como, desenvolver e avaliar novos modelos alternativos e mais adequados Ver menos

Abstract: Odontogenic tumors (OT) are composed of heterogeneous lesions, which can be benign or malignant, with different behavior and histology. Within this classification, ameloblastoma and ameloblastic carcinoma (AC) represent a diagnostic challenge in daily histopathological practice due to their similar characteristics and the limitations that incisional biopsies represent. From these premises, we wanted to test the usefulness of models based on artificial intelligence (AI) in the field of oral and maxillofacial pathology for differential diagnosis. The main advantages of integrating Machine Learning (ML) with microscopic and radiographic imaging is the ability to significantly reduce intra- and interobserver variability and improve diagnostic objectivity and reproducibility. Objective: This study aims to develop a Deep Learning (LD) model to analyze and diagnose OT with overlapping microscopic characteristics that represent challenges in the differential diagnosis of oral pathologies, specifically in two groups of lesions: ameloblastomas and ameloblastic carcinomas (AC). Methods: Thirty digitized slides were collected from different diagnostic centers of oral pathology in Brazil containing biopsies with diagnoses of ameloblastoma and AC. After manual annotation in the region of interest, the images were segmented and fragmented into small flaps. In the supervised learning methodology for image classification, three models (ResNet50, DenseNet and VGG16) were the focus of investigation to provide the probability of an image being classified as class 0 (ameloblastoma) or class 1 (CA). With the execution of the necessary adjustments of parameters and hyperparameters, the final performance of these models in the set of tests was evaluated through classical metrics. Results: The training and validation metrics did not show convergence, characterizing overfitting. However, the test results were minimally satisfactory, with an average for ResNet50 of 0.75, 0.71, 0.84, 0.65 and 0.77 for accuracy, precision, sensitivity, specificity and F1 score, respectively. Conclusions: The present research revealed that the models demonstrated a strong learning potential, but lack of generalization capacity. The models learn fast, achieving a training accuracy of 98% during some training seasons. The evaluation process showed instability in the validation; still with minimally acceptable performance in the testing process, which may indicate that the dataset needs to be augmented to become more representative for training and validation. Despite achieving minimally acceptable performance, this study established a starting point and a path for continued progress. This first investigation opens an opportunity to expand the collaboration to incorporate more complementary data; as well as to develop and evaluate new alternative and more appropriate models Ver menos