Intelligence artificielle en céphalométrie, atouts et limites
L’intelligence artificielle en céphalométrie promet de placer en quelques secondes les points que l’on repère d’habitude à la main. Les progrès sont réels, mais l’outil a ses angles morts. Comprendre comment il fonctionne aide à savoir où le surveiller. Cet article fait le point, sans promesse excessive.
Pourquoi automatiser le placement des points
Le tracé céphalométrique manuel est long et sujet à variation. Deux praticiens expérimentés ne placent pas toujours un point au même endroit. Le même praticien, à quelques semaines d’intervalle, non plus.
Or toutes les mesures en dépendent. Une erreur sur le Nasion se répercute sur SNA, SNB et ANB. Une erreur sur le Porion modifie le plan de Francfort, donc tout le triangle de Tweed.
L’automatisation vise deux objectifs : gagner du temps et rendre le tracé plus reproductible. Elle ne vise pas à remplacer le jugement clinique.
Comment l’intelligence artificielle détecte les points céphalométriques
Les réseaux de neurones convolutifs
Les méthodes actuelles reposent sur l’apprentissage profond, et plus précisément sur les réseaux de neurones convolutifs. Ces réseaux apprennent à reconnaître des motifs visuels : contours, textures, formes anatomiques. On leur montre des centaines de téléradiographies annotées par des experts, et ils apprennent à reproduire ces annotations.
Des architectures connues sont souvent utilisées comme base, par exemple des réseaux de type U-Net ou des encodeurs de type ResNet. Le principe reste le même : l’image entre, des positions de points sortent.
Les cartes de chaleur
Plutôt que de prédire directement des coordonnées, beaucoup de modèles produisent une carte de chaleur par point. Il s’agit d’une image où chaque pixel reçoit une valeur : plus elle est élevée, plus le modèle estime que le point se trouve à cet endroit.
Pendant l’entraînement, la carte cible est une petite tache gaussienne centrée sur la position annotée par l’expert. Au moment de l’utilisation, on retient le maximum de la carte prédite comme position du point.
Cette approche a un avantage pédagogique : une carte étalée ou présentant plusieurs pics signale que le modèle hésite. C’est souvent le cas sur les points ambigus.
Les approches en plusieurs étapes
Certaines méthodes procèdent en deux temps. Une première passe localise grossièrement les régions d’intérêt sur l’image entière. Une seconde affine chaque point sur une zone agrandie. On gagne en précision sans exiger une puissance de calcul excessive.
Jeux de données et métriques de performance
Les jeux de données publics
La recherche a beaucoup progressé grâce à des bases d’images annotées et partagées.
| Jeu de données | Contenu | Points annotés |
|---|---|---|
| ISBI 2015 | 400 céphalogrammes de profil, issus d’un défi scientifique | 19 points |
| Aariz (2023) | Environ un millier de céphalogrammes, issus de plusieurs appareils | 29 points, dont des points cutanés |
Le jeu ISBI 2015 a longtemps servi de référence commune pour comparer les méthodes. Ses 19 points couvrent l’essentiel des analyses classiques : Sella, Nasion, Orbitale, Porion, points A et B, Pogonion, Menton, Gnathion, Gonion, incisives, lèvres, épines nasales, Articulare.
Le jeu Aariz, plus récent, élargit le nombre de points et la diversité des images. Cette diversité compte : un modèle entraîné sur un seul type d’appareil peut perdre en précision sur des images d’une autre machine.
Les métriques de performance
Deux indicateurs reviennent dans presque toutes les publications.
- L’erreur radiale moyenne (MRE, mean radial error) : distance moyenne, en millimètres, entre le point prédit et le point de référence.
- Le taux de réussite à 2 mm (SDR, successful detection rate) : pourcentage de points placés à moins de 2 mm de la référence. On le calcule aussi à 2,5 mm, 3 mm et 4 mm.
Le seuil de 2 mm est souvent présenté comme cliniquement acceptable. Il correspond grossièrement à la variabilité observée entre experts.
Sur les jeux publics, les meilleures méthodes atteignent des erreurs moyennes de l’ordre du millimètre à deux millimètres, avec une large majorité de points sous le seuil de 2 mm. Ces moyennes masquent cependant de fortes différences d’un point à l’autre. Elles sont aussi obtenues sur des images de qualité contrôlée, proches de celles de l’entraînement.
Ce que l’IA fait bien et ses pièges
Les points généralement bien détectés
Les points situés sur des contours nets et contrastés sont en général bien placés : bords libres des incisives, Sella, Menton, points cutanés du profil. Sur ces points, l’IA est souvent aussi régulière qu’un praticien.
Les points à faible contraste
Certains points posent problème, à l’IA comme à l’humain :
- le Porion : petit, peu contrasté, parfois confondu avec le repère des olives de l’appareil ;
- l’Orbitale : rebord orbitaire peu visible et dédoublé ;
- le Gonion : angle mandibulaire souvent double à cause de la superposition des deux côtés ;
- les apex des incisives : masqués par les dents voisines et l’os alvéolaire ;
- les points A et B : concavités peu marquées, sensibles à l’interprétation.
Les superpositions bilatérales
La téléradiographie projette sur un seul plan des structures droites et gauches. Si la tête est légèrement tournée ou si le patient est asymétrique, les contours se dédoublent. Le modèle doit alors « choisir », ou place le point entre les deux. Ni l’un ni l’autre n’est garanti correct.
Les images de mauvaise qualité
Flou de bougé, contraste insuffisant, tête mal orientée, appareil orthodontique, dents en éruption chez l’enfant : tout ce qui éloigne l’image de celles de l’entraînement augmente le risque d’erreur. Une IA ne sait pas toujours signaler qu’elle se trompe.
Pourquoi le praticien doit vérifier chaque point
Une erreur de 2 mm peut sembler faible. Sur un point proche du sommet d’un angle, elle peut pourtant décaler une mesure de plusieurs degrés. Sur le Porion ou l’Orbitale, elle fait basculer le plan de Francfort et tout ce qui en découle.
Le tracé automatique doit donc être traité comme une proposition. Le praticien vérifie chaque point, corrige ceux qui sont mal placés, puis valide. C’est lui qui signe l’analyse et qui pose le diagnostic. Les mesures de l’analyse de Steiner ou de Tweed n’ont de valeur que si les points sont justes.
Un outil pédagogique pour les résidents
Pour un résident, l’IA peut devenir un point de comparaison utile. Il place ses points, compare avec la proposition automatique, puis s’interroge sur les écarts. Pourquoi le modèle a-t-il placé le Gonion ici ? Lequel des deux contours est le bon ?
Ce travail ne remplace pas l’apprentissage du tracé manuel, qui reste indispensable. Il le complète, à condition que l’encadrant valide le résultat final. L’article sur l’encadrement des résidents en orthodontie détaille cette relation.
En pratique
Pour tirer le meilleur d’une détection automatique :
- Partez d’une téléradiographie de bonne qualité : tête dans le céphalostat, plan de Francfort horizontal, dents en occlusion, lèvres au repos.
- Vérifiez l’échelle de l’image : sans calibration, les mesures en millimètres sont fausses.
- Contrôlez en priorité Porion, Orbitale, Gonion, apex incisifs et points A et B.
- En cas de contour dédoublé, appliquez la convention de votre service, par exemple le point médian.
- Revoyez l’ensemble du tracé après correction, et vérifiez la cohérence des mesures entre elles.
- Validez explicitement le tracé avant de l’utiliser pour un diagnostic.
Avec GS Ortho
Dans GS Ortho, l’IA place 29 points sur la téléradiographie de profil, dont le profil cutané et les cuspides qui proposent le plan d’occlusion, puis les analyses de Steiner et de Tweed sont calculées instantanément. Chaque point peut être déplacé et le tracé n’est retenu qu’après votre validation : la décision reste la vôtre. Les résultats rejoignent les planches du studio de diagnostic, où le résident peut demander l’avis de son encadrant. Les données restent hébergées chez le cabinet ou le service.