El artículo revisa 20 estudios publicados entre 2019 y 2024 sobre inteligencia artificial aplicada a la detección de lesiones periapicales. Un punto clave es que todos los estudios incluidos fueron transversales: evaluaron rendimiento diagnóstico en imágenes, no seguimiento clínico, curación periapical, dolor, supervivencia dental ni resultados reales después del tratamiento.

El mensaje principal es que la IA podría apoyar la detección de lesiones periapicales en panorámicas, periapicales y CBCT, pero no todos los métodos ofrecen el mismo nivel de información. La radiografía periapical suele ser más sensible que la panorámica para lesiones pequeñas porque tiene mayor resolución local, siempre que esté bien tomada. La panorámica ayuda como examen amplio, pero puede perder detalles por superposición y menor resolución. La CBCT, por su información tridimensional, puede alcanzar el mejor rendimiento en varios estudios, especialmente en lesiones complejas o no visibles en 2D.

Esa conclusión debe interpretarse con cautela: los estudios usaron diferentes datasets, modelos, métricas, equipos, modalidades y estándares de referencia. Por eso no se debe convertir la frase “CBCT tuvo mayor precisión” en una indicación de CBCT para todos los pacientes con sospecha de lesión periapical.

La interpretación clínica debe ser prudente: la IA no reemplaza al odontólogo, al endodoncista ni al radiólogo oral. Funciona como herramienta de apoyo para reducir omisiones, acelerar la revisión de imágenes y señalar zonas sospechosas. El diagnóstico final debe integrar síntomas, pruebas pulpares, historia endodóntica, examen periodontal, imagen radiográfica y juicio clínico.

El riesgo más clínico no es solo que la IA marque una lesión inexistente, sino que no marque una lesión real. Si hay síntomas, necrosis pulpar, fístula, dolor a percusión, sondaje profundo aislado o historia endodóntica sospechosa, una IA negativa no debe cerrar el diagnóstico.

Una enseñanza importante es que los modelos funcionaron mejor en mandíbula que en maxilar. Esto se explica de forma plausible por la complejidad anatómica del maxilar, la superposición del seno maxilar y la dificultad para delimitar pequeñas radiolucideces periapicales en esa región.

1. ¿Qué es una lesión periapical?

Una lesión periapical es una alteración inflamatoria o patológica alrededor del ápice radicular. En endodoncia, suele relacionarse con necrosis pulpar, infección del sistema de conductos o fracaso endodóntico. Radiográficamente puede observarse como pérdida de lámina dura, ensanchamiento del espacio periodontal o radiolucidez periapical.

2. ¿Por qué detectarla temprano importa?

Detectar una lesión periapical temprano permite decidir si el diente requiere tratamiento endodóntico, retratamiento, cirugía apical, seguimiento o derivación. Si se diagnostica tarde, la lesión puede crecer, comprometer corticales, senos maxilares, dientes vecinos o estructuras anatómicas importantes.

3. ¿Qué diferencia hay entre panorámica, periapical y CBCT?

La panorámica ofrece visión general de ambos maxilares, pero tiene menor resolución, magnificación variable y superposición. La periapical ofrece mayor detalle local y suele detectar mejor lesiones pequeñas, pero sigue siendo 2D y depende mucho de la calidad técnica: una imagen mal angulada, con corte apical, distorsión, superposición o mala exposición puede perder valor diagnóstico aunque se use IA. La CBCT permite ver la lesión en tres dimensiones, superar superposiciones y valorar extensión vestibulolingual, corticales y relación con estructuras anatómicas; sin embargo, implica mayor dosis que una radiografía 2D, más costo y más tiempo de interpretación.

4. ¿Qué hacen los modelos de deep learning?

Los modelos de deep learning aprenden patrones visuales a partir de imágenes etiquetadas. En radiología dental, pueden localizar una lesión, marcar un área sospechosa, segmentarla o clasificarla. CNN y U-Net son arquitecturas frecuentes. El artículo reporta 17 estudios con CNN y 3 con U-Net; sin embargo, didácticamente debe recordarse que U-Net también es una arquitectura basada en redes convolucionales, usada sobre todo para segmentación.

¿Qué quiso investigar la revisión?

La revisión buscó sintetizar la evidencia sobre deep learning para detectar lesiones periapicales en tres modalidades: panorámica, periapical y CBCT. También buscó comparar qué modalidad parece más útil cuando se integra con IA y qué arquitecturas han mostrado mejor rendimiento.

¿Cómo se realizó?

Los autores realizaron una búsqueda en PubMed, Scopus y EBSCO. La figura PRISMA reporta 121 registros iniciales y 20 estudios finales; aunque hay pequeñas diferencias de redacción en el texto sobre el número inicial, el flujo general de selección queda claro. El protocolo estuvo registrado en PROSPERO con el número CRD420251112376.

Los estudios incluidos fueron de diseño transversal, publicados en inglés entre 2019 y 2024. Procedían de siete países y analizaban modelos de IA aplicados a panorámicas, radiografías periapicales y CBCT. Según el artículo, de los 20 estudios, 17 usaron CNN y 3 utilizaron U-Net.

1. La IA en panorámica puede ayudar, pero tiene límites

Los estudios con panorámicas muestran que la IA puede detectar lesiones periapicales y segmentarlas con resultados prometedores. Por ejemplo, algunos modelos tipo YOLO, RetinaNet o U-Net alcanzaron sensibilidades, precisiones o F1-score clínicamente interesantes. Sin embargo, la panorámica sigue limitada por menor resolución, magnificación no uniforme, superposición anatómica y dificultad para lesiones pequeñas, especialmente en maxilar.

2. La periapical es fuerte para lesiones pequeñas, si la técnica es adecuada

Los estudios con radiografías periapicales mostraron rendimientos altos para detección o segmentación de lesiones. Esto tiene sentido clínico: una periapical bien tomada ofrece más detalle local que una panorámica. Por eso, la revisión concluye que la radiografía periapical es más sensible que la panorámica para detectar lesiones pequeñas. Esta ventaja depende de una técnica adecuada: una periapical mal angulada, con distorsión, corte apical, superposición o mala exposición puede perder valor diagnóstico, incluso si el modelo de IA es bueno.

3. La CBCT puede alcanzar mejor rendimiento, pero no debe usarse de forma indiscriminada

La revisión sugiere que CBCT, al ofrecer información tridimensional, puede alcanzar el mejor rendimiento diagnóstico en varios estudios, especialmente en lesiones complejas, lesiones no visibles en 2D o lesiones quísticas odontogénicas. Algunos estudios con CBCT reportaron sensibilidades altas, segmentaciones clínicamente útiles y ayuda para reducir el tiempo diagnóstico de operadores menos experimentados.

Pero esto no significa que todo paciente con sospecha periapical necesite CBCT. La CBCT tiene mayor dosis que una radiografía 2D, mayor costo y requiere interpretación más compleja. Debe indicarse cuando la información tridimensional pueda cambiar el diagnóstico, el tratamiento o el pronóstico.

4. La IA detecta patrones radiográficos, no etiología

La IA detecta o segmenta patrones radiográficos compatibles con lesión periapical, pero no determina por sí sola si la causa es necrosis pulpar, fracaso endodóntico, lesión periodontal, cicatriz apical, lesión no odontogénica o artefacto. Esa distinción sigue siendo clínica.

5. La IA funcionó mejor en mandíbula que en maxilar

La revisión destaca que los sistemas de IA evaluaron mejor las lesiones mandibulares que las maxilares. Esto es clínicamente razonable porque el maxilar tiene estructuras superpuestas, como el seno maxilar, y una anatomía que puede ocultar o confundir radiolucideces pequeñas.

La figura PRISMA de la página 4 muestra el flujo de selección: 121 registros identificados y 20 estudios finalmente incluidos. Su valor didáctico es mostrar que la revisión no incluyó cientos de estudios, sino una selección relativamente pequeña.

La tabla 3, ubicada en la página 5, resume los 20 estudios incluidos, sus diseños y países. Todos fueron estudios transversales, lo cual es importante: se evalúa desempeño diagnóstico de modelos, no impacto clínico longitudinal ni mejoría real de resultados en pacientes.

Las tablas 4 de las páginas 6 a 11 comparan arquitecturas, muestras y métricas. Allí se observan modelos YOLO, RetinaNet, U-Net, GoogLeNet Inception-v3, Bayesian U-Net y 3D CNN. Las cifras muestran resultados prometedores, pero son heterogéneas; por eso no deben compararse como si todos los estudios hubieran usado la misma población, el mismo estándar de referencia y la misma definición de lesión.

El lector aprende que la inteligencia artificial puede ser útil para detectar lesiones periapicales, pero su valor depende de la modalidad radiográfica. En una panorámica, la IA puede señalar una sospecha; en una periapical, puede ayudar con lesiones pequeñas; en CBCT, puede segmentar y detectar lesiones tridimensionales con mayor precisión.

También aprende que la IA no corrige todas las limitaciones de la imagen original. Si la panorámica tiene superposición, distorsión o baja resolución, el algoritmo seguirá trabajando con una imagen limitada. Por eso, una buena indicación radiográfica, una buena técnica de imagen y una buena interpretación clínica siguen siendo indispensables.

Esta revisión sistemática muestra que los modelos de deep learning podrían apoyar y mejorar la detección de lesiones periapicales en panorámica, periapical y CBCT, especialmente cuando se interpretan como ayuda diagnóstica y no como decisión autónoma. La periapical sigue siendo muy valiosa para lesiones pequeñas en endodoncia diaria; la panorámica sirve como visión general; y la CBCT ofrece la mayor precisión tridimensional cuando el caso lo justifica.

Para CarpuleNet, el mensaje final es que la IA en radiología endodóntica debe usarse como apoyo diagnóstico, no como sustituto del criterio clínico. Puede reducir omisiones y mejorar eficiencia, pero el odontólogo debe decidir qué imagen necesita el paciente, interpretar los hallazgos en contexto y evitar tanto el subdiagnóstico como el uso innecesario de CBCT.

La IA puede ayudarte a ver una lesión periapical, pero no puede decirte sola por qué está ahí ni qué tratamiento necesita el diente.

Septina F, Kiswanjaya B. Evaluating Deep Learning AI for Periapical Lesion Detection Across Panoramic, Periapical, and CBCT Radiographs: A Systematic Review. The Open Dentistry Journal. 2026;20:e18742106391708. doi:10.2174/0118742106391708260406104035.