El estudio usó imágenes CBCT de 52 pacientes con MRONJ clínicamente y patológicamente confirmada. Las lesiones fueron delimitadas manualmente en 3D Slicer por radiólogos orales y maxilofaciales, generando una referencia o “ground truth”. Luego se entrenó un modelo nnU-Net v2 3D low-resolution durante 1000 épocas, con validación cruzada interna de cinco pliegues.

El objetivo no fue diagnosticar quién tiene MRONJ y quién no. El objetivo fue segmentar, dentro de CBCT de pacientes ya afectados por MRONJ, qué voxeles correspondían a lesión. Por eso, los resultados deben entenderse como rendimiento de segmentación en volúmenes ya positivos, no como prueba de cribado, diagnóstico diferencial o detección a nivel de paciente.

Aunque los pacientes tenían MRONJ clínicamente y patológicamente confirmada, la máscara de referencia no fue una confirmación histológica voxel por voxel. El ground truth fue una segmentación manual radiológica experta, revisada por consenso. Esto es correcto para entrenar un modelo de imagen, pero no equivale a saber histológicamente dónde empieza y termina la necrosis en cada voxel.

El modelo obtuvo valores promedio de exactitud 0.999, recall 0.707, precisión 0.743, Dice coefficient 0.716, IoU 0.569, distancia Hausdorff 95% de 4.045 mm y AUC 0.85. La exactitud de 0.999 suena extremadamente alta, pero debe interpretarse con cautela: en segmentación 3D, la mayoría de voxeles de un CBCT son fondo/no lesión, por lo que la exactitud puede ser alta aunque la delimitación de la lesión sea solo moderada.

La validación cruzada de cinco pliegues aprovecha mejor una muestra pequeña, pero todos los datos proceden del mismo entorno. No equivale a probar el modelo en otro hospital, otro equipo CBCT, otra población o casos de otras patologías de los maxilares.

La enseñanza principal para CarpuleNet es prudente: el modelo parece capaz de aproximar la localización tridimensional de lesiones MRONJ en CBCT y podría investigarse como apoyo para estandarizar mediciones, reducir variabilidad y orientar planificación o seguimiento volumétrico. Pero este estudio no demuestra que mejore decisiones quirúrgicas, tiempos de lectura, márgenes de resección ni desenlaces del paciente.

1. ¿Qué es MRONJ?

MRONJ es la osteonecrosis de los maxilares relacionada con medicamentos, principalmente antirresortivos o antiangiogénicos. Se asocia a necrosis ósea, exposición de hueso o fístulas persistentes, y puede desencadenarse o agravarse por infecciones dentales, enfermedad periodontal, extracciones, cirugía, trauma protésico u otros factores.

2. ¿Por qué CBCT es importante en MRONJ?

La clínica puede subestimar la extensión real de la necrosis. La CBCT permite ver secuestros, irregularidades corticales, osteoesclerosis, márgenes de lesión, compromiso del hueso alveolar y relación con estructuras anatómicas. Esto puede modificar el abordaje quirúrgico, el seguimiento y la comunicación entre clínico y radiólogo.

3. ¿Qué significa segmentar una lesión?

Segmentar no es solo detectar que hay una lesión. Segmentar significa delinear espacialmente la lesión dentro del volumen, voxel por voxel. En MRONJ, esto podría servir para medir volumen, comparar cambios en el tiempo, planificar debridamiento o estandarizar la evaluación radiográfica, siempre como apoyo y no como decisión autónoma.

4. ¿Qué es nnU-Net v2?

nnU-Net v2 es un marco de deep learning autoconfigurable para segmentación biomédica. Ajusta de forma automática aspectos como arquitectura, tamaño de parche, batch size, normalización, aumento de datos y entrenamiento según las propiedades del conjunto de datos. En este estudio se usó la configuración 3D low-resolution, que puede facilitar el entrenamiento en volúmenes grandes, pero podría perder detalles finos de bordes, secuestros pequeños o corticales delgadas.

¿Qué quiso investigar el estudio?

El objetivo fue evaluar la factibilidad y el rendimiento de un modelo CNN basado en nnU-Net v2 para segmentar automáticamente lesiones de MRONJ en imágenes CBCT y localizar la lesión a nivel voxel. Los autores plantean la segmentación como una herramienta de apoyo para delimitar extensión lesional, más útil que una simple detección binaria.

¿Cómo se realizó?

Entre 2015 y 2024 se revisaron CBCT de 63 pacientes con MRONJ. Se excluyeron 11 imágenes por calidad diagnóstica insuficiente, quedando 52 pacientes de 47 a 83 años. Todos tenían MRONJ clínicamente y patológicamente confirmada, sin otra patología de los maxilares. Las imágenes se obtuvieron con NewTom 5G, voxel de 0.25 mm y campos de visión de 18 x 16, 15 x 12 o 12 x 8 cm.

Las lesiones fueron anotadas manualmente en 3D Slicer sobre planos axial, coronal y sagital por dos investigadores de radiología oral y maxilofacial, con revisión y consenso bajo supervisión de un radiólogo senior. Los datos anotados se exportaron en formato NIfTI. El modelo se entrenó durante 1000 épocas y se evaluó mediante validación cruzada de cinco pliegues, sin un conjunto externo independiente.

El artículo no presenta una caracterización clínica detallada por caso —por ejemplo, estadio AAOMS, localización maxilar/mandibular, tipo o duración del fármaco, tratamiento previo, tamaño por patrón radiográfico o severidad clínica—, lo que limita la interpretación clínica estratificada de la segmentación.

1. El modelo logró una segmentación moderada/prometedora, no perfecta

El Dice coefficient promedio fue 0.716. En segmentación, Dice mide el solapamiento entre la predicción de la IA y la segmentación de referencia. Un valor de 1 sería solapamiento perfecto y 0 ausencia de solapamiento. Un Dice de 0.716 sugiere que el modelo capta una parte clínicamente relevante de la lesión, pero todavía comete errores de borde, extensión o localización.

2. El IoU fue más modesto

El IoU promedio fue 0.569. Esto confirma que la delimitación automática todavía no es exacta. En MRONJ, el “límite” de la lesión no siempre es una frontera anatómica clara: puede haber transición gradual entre hueso osteosclerótico, secuestro, cavidades postextracción, hueso inflamado y hueso aparentemente normal. Por eso, incluso los expertos pueden diferir al delimitar la lesión.

3. El recall y la precisión fueron intermedios

El recall fue 0.707 y la precisión 0.743. Traducido clínicamente: el modelo detectó aproximadamente 70.7% de los voxeles lesionales de referencia y, de los voxeles que marcó como lesión, aproximadamente 74.3% coincidieron con la referencia. Esto significa que todavía hubo falsos negativos y falsos positivos.

4. La distancia Hausdorff 95% ayuda a entender el error espacial

La distancia Hausdorff 95% fue 4.045 mm. Esta métrica refleja la distancia entre la frontera de la segmentación predicha y la referencia, reduciendo el efecto de outliers extremos. En cirugía o seguimiento volumétrico, unos milímetros pueden importar; por eso esta cifra debe interpretarse como una aproximación, no como una delimitación quirúrgica definitiva.

5. El AUC fue de 0.85, pero no es diagnóstico a nivel paciente

La curva ROC y el AUC se calcularon a nivel voxel. El AUC de 0.85 no responde la pregunta “¿este paciente tiene MRONJ?”, sino “¿qué tan bien separa el modelo voxeles lesionales y no lesionales dentro de volúmenes ya afectados por MRONJ?”.

La Figura 1, en la página 3, muestra la rotulación manual sobre cortes axial, coronal y sagital de CBCT y un modelo 3D de la lesión. Su valor didáctico es mostrar que la referencia del modelo no fue automática: primero hubo trabajo experto de segmentación manual.

La Figura 2, en la página 4, ilustra el flujo nnU-Net v2: preprocesamiento, normalización, extracción de parches, estructura encoder-decoder 3D, entrenamiento con validación cruzada y salida de segmentación voxel a voxel. Esto ayuda a entender que el modelo no entrega solo una etiqueta de “MRONJ sí/no”, sino una máscara 3D.

La Figura 3, en la página 5, compara imagen cruda, ground truth y salida del modelo en tres pacientes. Se observa que la IA logra aproximar la región lesional, pero la utilidad clínica depende de cuánto coincida con la delimitación experta en diferentes niveles del volumen.

La Tabla 1, en la página 6, define las métricas usadas. Es importante porque explica por qué accuracy no basta para evaluar segmentación. La Tabla 2 muestra los resultados: Dice 0.716, IoU 0.569 y HD95 de 4.045 mm. La Figura 4 muestra disminución de pérdidas y aumento del pseudo Dice durante 1000 épocas; la Figura 5 muestra AUC 0.85 calculado a nivel voxel.

El lector aprende que la IA aplicada a MRONJ en CBCT no solo puede intentar detectar una lesión, sino delinearla en tres dimensiones. Esto es clínicamente más interesante que una respuesta binaria porque MRONJ requiere conocer extensión, márgenes, secuestros, corticales y relación anatómica para planificar tratamiento.

También aprende que una métrica impresionante como accuracy puede ser engañosa en segmentación 3D. Lo importante es cuánto se solapa la máscara de la IA con la referencia experta y cuánto error espacial queda. En segmentación, una máscara útil no es necesariamente una máscara quirúrgicamente suficiente.

Este estudio muestra que un modelo nnU-Net v2 puede segmentar lesiones de MRONJ en CBCT con rendimiento prometedor, pero todavía moderado. La IA logró aproximar regiones lesionales complejas, aunque con errores esperables por la morfología irregular, densidad heterogénea y límites poco definidos de la osteonecrosis.

Para CarpuleNet, el mensaje final es que la segmentación automática de MRONJ en CBCT es una línea prometedora para estandarizar mediciones, apoyar planificación y facilitar seguimiento volumétrico. Pero este estudio es preliminar: evalúa 52 casos positivos, sin controles, sin validación externa y sin medición de impacto clínico real. Por ahora, nnU-Net v2 debe entenderse como herramienta de apoyo radiográfico, no como diagnóstico autónomo, sistema de cribado ni sustituto del radiólogo oral y maxilofacial.

En MRONJ, la IA puede ayudar a dibujar la lesión en 3D, pero todavía no puede decidir sola dónde empieza, dónde termina ni qué tratamiento necesita el paciente.

Pınarbaşı A, Kaygısız Yiğit M, Etöz M. Deep learning–based automatic segmentation of MRONJ lesions on CBCT images. BMC Oral Health. 2026;26:655. doi:10.1186/s12903-026-08022-1.