Document details

Introdução: As lesões periapicais são frequentes em Medicina Dentária, e a sua deteção precoce é essencial para prevenir complicações. Contudo, a interpretação radiográfica pode ser subjetiva e dependente da experiência clínica. Neste contexto, a Inteligência Artificial tem sido explorada como uma ferramenta de apoio ao diagnóstico. Objetivo: Avaliar o desempenho diagnóstico da Inteligência Artificial na deteção e classificação de lesões periapicais em exames radiográficos em Endodontia. Materiais e Métodos: Foi realizada uma revisão sistemática segundo as recomendações PRISMA 2020. A pesquisa decorreu nas bases de dados PubMed, Web of Science e ScienceDirect. Foram incluídos estudos originais sobre a aplicação de Inteligência Artificial em radiografias periapicais, panorâmicas ou CBCT. A qualidade metodológica foi avaliada pela ferramenta QUADAS-2. Resultados: Foram incluídos 22 estudos publicados entre 2020 e 2025. A Inteligência Artificial demonstrou, em geral, bom desempenho diagnóstico. Os resultados variaram entre estudos, com melhor desempenho em tarefas de classificação binária e em CBCT. Discussão: Apesar dos resultados promissores, a interpretação deve ser cautelosa, uma vez que o desempenho foi influenciado pela modalidade imagiológica, complexidade da tarefa, tamanho das lesões, qualidade da imagem e representatividade dos datasets. A heterogeneidade metodológica e a escassa validação externa limitam a generalização clínica. Conclusão: A Inteligência Artificial apresenta potencial como ferramenta de apoio à decisão clínica, podendo aumentar a precisão, consistência e eficiência diagnóstica. Contudo, a sua integração clínica exige maior padronização, validação robusta e adaptação aos fluxos clínicos reais.

Introduction: Periapical lesions are common conditions in dentistry, and their early detection is essential for preventing complications. However, radiographic interpretation can be subjective and dependent on clinical experience. In this context, artificial intelligence has been explored as a diagnostic support tool. Objective: To evaluate the diagnostic performance of Artificial Intelligence in the detection and classification of periapical lesions through radiographic examinations in endodontics. Material and Methods: A systematic review was conducted in accordance with the PRISMA 2020 guidelines. The search was performed in the PubMed, Web of Science, and ScienceDirect databases. Original studies evaluating the application of Artificial Intelligence in periapical, panoramic, or CBCT radiographs were included. Methodological quality was assessed using the QUADAS-2 tool. Results: Twenty-two studies published between 2020 and 2025 were included. Artificial Intelligence generally demonstrated good diagnostic performance in detecting periapical lesions. Results varied across studies, with better performance in binary classification tasks and CBCT examinations. Discussion: Despite the promising results, interpretation should be cautious, as performance was influenced by the imaging modality, task complexity, lesion size, image quality, and the representativeness of the datasets. Methodological heterogeneity and limited external validation restrict generalizability to clinical practice. Conclusion: Artificial Intelligence shows potential as a clinical decision-support tool and may contribute to greater diagnostic accuracy, consistency, and efficiency. However, its clinical integration requires greater standardization, robust validation, and adaptation to real-world clinical workflows.