Inteligencia artificial en el diagnóstico periodontal y periimplantario basado en CBCT: Un scoping review
DOI:
https://doi.org/10.15517/e3t19w34Palabras clave:
Inteligencia artificial; Tomografía computarizada de haz cónico; Periodontitis; Periimplantitis; Aprendizaje profundo; Pérdida ósea periodontal.Resumen
Este scoping review tuvo como objetivo mapear la extensión, naturaleza y características de la evidencia disponible sobre la inteligencia artificial (IA) aplicada al diagnóstico periodontal y periimplantario basado en tomografía computarizada de haz cónico (CBCT). Se realizó una scoping review de acuerdo con la guía metodológica del Joanna Briggs Institute y se reportó conforme a PRISMA-ScR. Se efectuó una búsqueda sistemática en PubMed/MEDLINE, Scopus, Web of Science y LILACS/BVS hasta el 3 de abril de 2026, sin restricción de idioma. Los registros se exportaron en formato RIS, se gestionaron en Zotero para la eliminación de duplicados y se cribaron en Rayyan con criterios de elegibilidad predefinidos. Se incluyeron estudios originales que aplicaron métodos de IA a imágenes CBCT con fines diagnósticos periodontales y/o periimplantarios. Los datos se sintetizaron de manera descriptiva. De los 358 registros identificados, 174 fueron cribados tras eliminar duplicados y conference papers. Doce artículos fueron evaluados a texto completo y 7 se incluyeron en la síntesis cualitativa final. La mayoría se publicó entre 2024 y 2026 y se centró predominantemente en aplicaciones periodontales, mientras que solo uno abordó la pérdida ósea marginal periimplantaria. Los hallazgos más consistentes se observaron en tareas diagnósticas específicas, especialmente detección de compromiso de furca, segmentación de la topografía ósea periodontal, mapeo de defectos periodontales y gradación de pérdida ósea marginal periimplantaria. Las plataformas diagnósticas más amplias mostraron un desempeño más variable. La IA aplicada al diagnóstico periodontal y periimplantario basado en CBCT constituye un campo emergente con desarrollo metodológico aún limitado. Esta revisión mapea la evidencia específica en CBCT e identifica prioridades para avanzar hacia sistemas de IA más interpretables, validados externamente y clínicamente útiles.
Descargas
Referencias
Jacobs R., Fontenele R.C., Lahoud P., Shujaat S., Bornstein M.M. Radiographic diagnosis of periodontal diseases: current evidence versus innovations. Periodontol 2000. 2024; 95 (1): 51-69. doi:10.1111/prd.12580. DOI: https://doi.org/10.1111/prd.12580
Galarraga-Vinueza M.E., Pagni S., Finkelman M., Schoenbaum T., Chambrone L. Prevalence, incidence, systemic, behavioral, and patient-related risk factors and indicators for peri-implant diseases: an AO/AAP systematic review and meta-analysis. J Periodontol. 2025; 96 (6): 587-633. doi:10.1002/JPER.24-0154 DOI: https://doi.org/10.1002/JPER.24-0154
Pitchika V., Büttner M., Schwendicke F. Artificial intelligence and personalized diagnostics in periodontology: a narrative review. Periodontol 2000. 2024; 95 (1): 220-231. doi:10.1111/prd.12586 DOI: https://doi.org/10.1111/prd.12586
Șalgău C.A., Morar A., Zgarta A.D., Ancuța D.L., Rădulescu A., Mitrea I.L., et al. Applications of machine learning in periodontology and implantology: a comprehensive review. Ann Biomed Eng. 2024; 52 (9): 2348-2371. doi:10.1007/s10439-024-03559-0 DOI: https://doi.org/10.1007/s10439-024-03559-0
Roy R., Chopra A., Karmakar S., Bhat S.G. Applications of artificial intelligence for diagnosis of periodontal/peri-implant diseases: a narrative review. J Oral Rehabil. 2025; 52 (8): 1193-1219. doi:10.1111/joor.14045 DOI: https://doi.org/10.1111/joor.14045
Schulze D., Häußermann L., Ripper J., Sottong T. Comparison between observer-based and AI-based reading of CBCT datasets: an interrater-reliability study. Saudi Dent J. 2024; 36 (2): 291-295. doi:10.1016/j.sdentj.2023.11.001 DOI: https://doi.org/10.1016/j.sdentj.2023.11.001
Shetty S., Talaat W., AlKawas S., Al-Rawi N., Reddy S., Hamdoon Z., Kheder W., Acharya A., Ozsahin D.U., David L.R. Application of artificial intelligence-based detection of furcation involvement in mandibular first molar using cone beam tomography images: a preliminary study. BMC Oral Health. 2024; 24:1476. doi:10.1186/s12903-024-05268-5 DOI: https://doi.org/10.1186/s12903-024-05268-5
Kurt-Bayrakdar S., Bayrakdar I.S., Kuran A., Çelik Ö., Orhan K., Jagtap R. Advancing periodontal diagnosis: harnessing advanced artificial intelligence for patterns of periodontal bone loss in cone-beam computed tomography. Dentomaxillofac Radiol. 2025; 54 (4): 268-278. doi:10.1093/dmfr/twaf011 DOI: https://doi.org/10.1093/dmfr/twaf011
Palkovics D., Molnar B., Pinter C., García-Mato D., Diaz-Pinto A., Windisch P., Ramseier C.A. Automatic deep learning segmentation of mandibular periodontal bone topography on cone-beam computed tomography images. J Dent. 2025; 159: 105813. doi:10.1016/j.jdent.2025.105813 DOI: https://doi.org/10.1016/j.jdent.2025.105813
Burlea Ș.L., Buzea C.G., Nedeff F., Mirilă D., Nedeff V., Agop M., et al. Deep learning analysis of CBCT images for periodontal disease: phenotype-level concordance with independent transcriptomic and microbiome datasets. Dent J (Basel). 2025; 13 (12): 578. doi:10.3390/dj13120578 DOI: https://doi.org/10.3390/dj13120578
Madani Z., Bashizadeh Fakhar H. Detection and classification of peri-implant marginal bone loss in cone-beam computed tomography using a deep learning approach. Clin Exp Dent Res. 2026;12: e70308. doi:10.1002/cre2.70308 DOI: https://doi.org/10.1002/cre2.70308
Peters M.D.J., Godfrey C., McInerney P., Munn Z., Tricco A.C., Khalil H. Updated methodological guidance for the conduct of scoping reviews. JBI Evid Synth. 2020; 18 (10): 2119-26. DOI: https://doi.org/10.11124/JBIES-20-00167
Tricco A.C., Lillie E., Zarin W., O’Brien K.K., Colquhoun H., Levac D., et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): checklist and explanation. Ann Intern Med. 2018; 169 (7): 467-73. DOI: https://doi.org/10.7326/M18-0850
Ouzzani M., Hammady H., Fedorowicz Z., Elmagarmid A. Rayyan—a web and mobile app for systematic reviews. Syst Rev. 2016; 5: 210. DOI: https://doi.org/10.1186/s13643-016-0384-4
Fagundes F.B., Papasratorn D., Elgarba B.M., Fontenele R.C., Neves F.S., Jacobs R. AI-driven gingival segmentation on CBCT: validation using delineation by intraoral scanning and CBCT-based cotton roll separation. J Dent. 2026;166:106331. doi:10.1016/j.jdent.2026.106331 DOI: https://doi.org/10.1016/j.jdent.2026.106331
Feltraco L.T., Rossetto C., Yeung A.W.K., Soares M.Q.S., Oenning A.C. Utility of the radiological report function of an artificial intelligence system in interpreting CBCT images: a technical report. Dentomaxillofac Radiol. 2025; 54 (3): 239-244. doi:10.1093/dmfr/twaf004 DOI: https://doi.org/10.1093/dmfr/twaf004
Su S., Jia X., Zhan L., Gao S., Zhang Q., Huang X. Automatic tooth periodontal ligament segmentation of cone beam computed tomography based on instance segmentation network. Heliyon. 2024; 10: e24097. doi:10.1016/j.heliyon.2024.e24097 DOI: https://doi.org/10.1016/j.heliyon.2024.e24097
Tan M., Cui Z., Li Y., Fang Y., Mei L., Zhao Y., et al. PerioAI: A digital system for periodontal disease diagnosis from an intra-oral scan and cone-beam CT image. Cell Rep Med. 2025; 6 (6): 102186. doi:10.1016/j.xcrm.2025.102186 DOI: https://doi.org/10.1016/j.xcrm.2025.102186
Khubrani Y.H., Thomas D., Slator P.J., White R.D., Farnell D.J.J. Detection of periodontal bone loss and periodontitis from 2D dental radiographs via machine learning and deep learning: systematic review employing APPRAISE-AI and meta-analysis. Dentomaxillofac Radiol. 2025; 54 (2): 89-108. doi:10.1093/dmfr/twae070 DOI: https://doi.org/10.1093/dmfr/twae070
Chatzopoulos G.S., Koidou V.P., Tsalikis L., Kaklamanos E.G. Clinical applications of artificial intelligence in periodontology: a scoping review. Medicina (Kaunas). 2025; 61 (6): 1066. doi:10.3390/medicina61061066 DOI: https://doi.org/10.3390/medicina61061066
Vázquez-Sebrango G., Anitua E., Macía I., Arganda-Carreras I. The role of artificial intelligence in implant dentistry: a systematic review. Int J Oral Maxillofac Surg. 2025. doi:10.1016/j.ijom.2025.04.005 DOI: https://doi.org/10.1016/j.ijom.2025.04.005
Li Y., Wang X., Zhu H., Ye W. The diagnostic performance of AI based on dental radiographs in predicting marginal bone loss around dental implants: a systematic review and meta-analysis. J Prosthet Dent. 2025; 134 (6): 2190.e1-2190.e11. doi:10.1016/j.prosdent.2025.08.021 DOI: https://doi.org/10.1016/j.prosdent.2025.08.021
Rezallah N.N.F., Sherif G., Abdelkarim A.Z., Afifi S. Enhancing periodontal bone loss diagnosis through advanced AI techniques. Appl Sci. 2025; 15 (12): 6832. doi:10.3390/app15126832. DOI: https://doi.org/10.3390/app15126832
Emami M., Shirani M. Application and performance of artificial intelligence in implant dentistry: an umbrella review. Dent Rev. 2025; 5 (3): 100159. doi:10.1016/j.dentre.2025.100159 DOI: https://doi.org/10.1016/j.dentre.2025.100159
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Fernando Mauricio Espada-Salgado, Stefan Vasile Stefanescu, Bogdan Oprea, Reem Al-Yamoor, María Mihaela Iuga.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
ODOVTOS - Int. J. Dent. Sc. endorses CC BY-NC-SA
This license enables reusers to distribute, remix, adapt, and build upon the material in any medium or format for noncommercial purposes only, and only so long as attribution is given to the creator. If you remix, adapt, or build upon the material, you must license the modified material under identical terms. CC BY-NC-SA includes the following elements:
BY: credit must be given to the creator.
NC: Only noncommercial uses of the work are permitted.
SA: Adaptations must be shared under the same terms.
