Exploration du disque de l'articulation temporo-mandibulaire et diagnostic de ses pathologies par intelligence artificielle: Une revue systématique
DOI :
https://doi.org/10.62438/tunismed.v104i07.6254Mots-clés :
Articulation temporomandibulaire, Disque articulaire, Intelligence artificielle, Revue systématiqueRésumé
L'intelligence artificielle s'immisce dans presque tous les domaines, y compris la santé. Les publications scientifiques concernant le domaine médical et l'IA ont connu une croissance constante ces dernières années, couvrant la quasi-totalité des spécialités médicales. Cette revue de la littérature vise à synthétiser systématiquement les recherches actuelles sur le développement et la validation de modèles multimodaux d'apprentissage automatique et d'apprentissage profond pour l'automatisation du diagnostic des déplacements discaux de l'articulation temporo- mandibulaire. Elle met en évidence comment l'intégration de la segmentation automatique des images IRM à la corrélation des données cliniques peut réduire significativement les erreurs de diagnostic. Plusieurs bases de données (PubMed, Web of Science, Scopus, Science Direct, Springer, et ResearchGates) ont été consultées pour identifier les articles portant sur le thème « disque articulaire et IA », publiés entre 2003 et 2025. Mille huit cent soixante-seize (1876) études ont été recensées, dont 27 (18) ont été incluses, portant sur un total de plus de 6 869 patients (groupes témoins et patients présentant un déplacement discal) et plus de 44 000 images. La plupart des études ont utilisé l'imagerie IRM (considérée comme la méthode de référence) seule ou en combinaison avec d'autres types de données pour explorer le disque articulaire. Pour atteindre cet objectif, différents modèles d'intelligence artificielle ont été utilisés, notamment l'apprentissage automatique (forêts aléatoires, XGBoost, KNN, SVM…) et l'apprentissage profond (réseaux de neurones artificiels, réseaux de neurones convolutifs, U-Net, Seg-Net, RestNet…). L'intelligence artificielle peut s'avérer utile en déterminant l'état du disque afin d'éviter non seulement les stades graves de déplacement discal (agénésie discale sans réduction), mais aussi les perforations discales.
Téléchargements
Références
Taşkıran, Uğur & Cunkas, Mehmet. (2021). A deep learning based decision support sys-tem for diagnosis of Temporomandibular
joint disorder. Applied Acoustics. 182. 108292. 10.1016/j. apacoust.2021.108292.
Farook TH, Dudley J. Automation and deep (machine) learning in temporomandibular joint disorder radiomics: A systematic review.
J Oral Rehabil. 2023 Jun;50(6):501-521. doi: 10.1111/joor.13440. Epub 2023 Mar 9. PMID: 36843391.
Lee YH, Won JH, Kim S, et al. Advantages of deep learning with convolutional neural network in detecting disc displacement of the
temporomandibular joint in magnetic resonance imaging. Sci Rep. 2022 Jul 5;12(1):11352. doi: 10.1038/s41598-022-15231-5. PMID:
; PMCID: PMC9256683.
Eşer G, Duman ŞB, Bayrakdar İŞ, et al. Classification of temporomandibular joint oste-oarthritis on cone beam computed
tomography images using artificial intelligence sys-tem. J Oral Rehabil. 2023 Sep;50(9):758-766. doi: 10.1111/joor.13481. Epub
May 24. PMID: 37186400.
Yoon K, Kim JY, Kim SJ, Huh JK, Kim JW, Choi J. Explainable deep learning-based clinical decision support engine for MRI-based
automated diagnosis of temporoman-dibular joint anterior disk displacement. Comput Methods Programs Biomed. 2023
May;233:107465. doi: 10.1016/j.cmpb.2023.107465. Epub 2023 Mar 5. PMID: 36933315.
Li M, Punithakumar K, Major PW, Le LH, Nguyen KT, Pacheco- Pereira C, Kaipatur NR, Nebbe B, Jaremko JL, Almeida FT.
Temporomandibular joint segmentation in MRI images using deep learning. J Dent. 2022 Dec;127:104345. doi: 10.1016/j.
jdent.2022.104345. Epub 2022 Nov 8. PMID: 36368120.
Ito S, Mine Y, Yoshimi Y, Takeda S, Tanaka A, Onishi A, Peng TY, Nakamoto T, Na-gasaki T, Kakimoto N, Murayama T, Tanimoto K.
Automatedsegmentationofarticulardiscofthetemporomandibular joint on magnetic resonance images using deep learn-ing. Sci Rep.
Jan 7;12(1):221. doi: 10.1038/s41598-021-04354-w. PMID: 34997167; PMCID: PMC8741780.
Yoon K, Kim JY, Kim SJ, Huh JK, Kim JW, Choi J. Multi-class segmentation of tem-poromandibular joint using ensemble deep
learning. Sci Rep. 2024 Aug 16;14(1):18990. doi: 10.1038/s41598- 024-69814-5. PMID: 39160234; PMCID: PMC11333466.
Bas B, Ozgonenel O, Ozden B, Bekcioglu B, Bulut E, Kurt M. Use of artificial neural network in differentiation of subgroups of
temporomandibular internal derangements: a preliminary study. J Oral Maxillofac Surg. 2012 Jan;70(1):51-9. doi: 10.1016/j.
joms.2011.03.069. Epub 2011 Jul 29. PMID: 21802818.
Nozawa M, Ito H, Ariji Y, Fukuda M, Igarashi C, Nishiyama M, Ogi N, Katsumata A, Kobayashi K, Ariji E. Automatic segmentation of
the temporomandibular joint disc on magnetic resonance images using a deep learning technique. Dentomaxillofac Radiol. 2022 Jan
;51(1):20210185. doi: 10.1259/dmfr.20210185. Epub 2021 Aug 4. PMID: 34347537; PMCID: PMC8693319.
Lin B, Cheng M, Wang S, Li F, Zhou Q. Automatic detection of anteriorly displaced temporomandibular joint discs on magnetic
resonance images using adeep learning al-gorithm. Dentomaxillofac Radiol. 2022 Mar 1;51(3):20210341. doi: 10.1259/dmfr.20210341.
Epub 2021 Nov 29. PMID: 34788124; PMCID: PMC8925876.
Lee C, Ha EG, Choi YJ, Jeon KJ, Han SS. Synthesis of T2-weighted images from pro-ton density images using a generative adversarial
network in a temporomandibular joint magnetic resonance imaging protocol. Imaging Sci Dent. 2022 Dec;52(4):393-398.
doi: 10.5624/isd.20220125. Epub 2022 Oct 12. PMID: 36605858; PMCID: PMC9807788.
Almășan O, Mureșanu S, Hedeșiu P, Cotor A, Băciuț M, Roman R, Team Project Group. An Examination of Temporomandibular
Joint Disc Displacement through Mag-netic Resonance Imaging by Integrating Artificial Intelligence: Preliminary Findings.
Medicina (Kaunas). 2024 Aug 26;60(9):1396. doi: 10.3390/ medicina60091396. PMID: 39336437; PMCID: PMC11433800.
Yoshimi Y, Mine Y, Ito S, Takeda S, Okazaki S, Nakamoto T, Nagasaki T, Kakimoto N, Murayama T, Tanimoto K. Image preprocessing with contrast-limited adaptive his-togram equalization improves the segmentation performance of deep learning for the articular disk
of the temporomandibular joint on magnetic resonance images. Oral Surg Oral Med Oral Pathol Oral Radiol. 2024 Jul;138(1):128-
doi: 10.1016/j.oooo.2023.01.016. Epub 2023 Apr 14. PMID: 37263812.
Bai, Guo & Qu, Zhiyuan & Xie, Qianyang & Jing, Hongyi & Chen, Shihui & Yu, Lei-lei & Zhang, Zhiyuan & Yang, Chi. (2023). Automatic
temporomandibular disc dis-placement diagnosis via deep learning. Displays. 77. 102394. 10.1016/j.displa.2023.102394.
Kao ZK, Chiu NT, Wu HH, Chang WC, Wang DH, Kung YY, Tu PC, Lo WL, Wu YT. Classifying Temporomandibular Disorder with Artificial
Intelligent Architecture Using Magnetic Resonance Imaging. Ann Biomed Eng. 2023 Mar;51(3):517-526. doi: 10.1007/s10439-022-
-2. Epub 2022 Aug 29. PMID: 36036857.
Radke JC, Ketcham R, Glassman B, Kull R. Artificial neural network learns to differen-tiate normal TMJs and nonreducing displaced
disks after training on incisor-point chewing movements. Cranio.2003 Oct;21(4):259-64. doi: 10.1080/08869634.2003.11746260.
Erratum in: Cranio. 2004 Jan;22(1):A-5. PMID: 14620698.
Liu Y, Jiao Z, Yao B, Li Q. A Three-branch Jointed Feature and Topology Decoder guided by game-theoretic interactions for
temporomandibular joint segmentation. Comput Biol Med. 2024 May;173:108373. doi: 10.1016/j.compbiomed.2024.108373. Epub
Mar 26. PMID: 38564851.
Moura BdS, Quesado G, Ferreira NR, et al. Accuracy of the Artificial Intelligence to Locate the Temporomandibular Disc in MRI.
Research Square; 2022. DOI: 10.21203/rs.3.rs-1464095/v1.
S. Ozsari et al., "Interpretation of Magnetic Resonance Images of Temporomandibular Joint Disorders by Using Deep Learning,"
in IEEE Access, vol. 11, pp. 49102-49113, 2023, doi: 10.1109/ ACCESS.2023.3277756.
Min CK, Jung W, Joo S. Enhanced multistage deep learning for diagnosing anterior disc displacement in the temporomandibular
joint using MRI. Dentomaxillofac Radiol. 2024 Oct 1;53(7):488-496. doi: 10.1093/dmfr/twae033. PMID: 39024472.
Azma R, Hareendranathan A, Li M, Nguyen P, S Wahd A, Jaremko JL, T Almeida F. Automated pediatric TMJ articular disk identification
and displacement classification in MRI with machine learning. J Dent. 2025 Apr;155:105622. doi: 10.1016/j.jdent.2025.105622.
Epub 2025 Feb 13. PMID: 39952550.
Ha EG, Jeon KJ, Lee C, Kim DH, Han SS. Magnetic resonance image generation using enhanced TransUNet in Temporomandibular
disorder patients. Dentomaxillofac Radiol. 2025 Mar 18:twaf017. doi: 10.1093/dmfr/twaf017. Epub ahead of print. PMID: 40104864.
Yoshimi Y, Mine Y, Yamamoto K, Okazaki S, Ito S, Sano M, Peng TY, Nakamoto T, Nagasaki T, Kakimoto N, Murayama T, Tanimoto K.
Detecting the articular disk in magnetic resonance images of the temporomandibular joint using YOLO series. Dent Mater J. 2025 Jan 31;44(1):103-111. doi: 10.4012/dmj.2024-186. Epub 2024 Dec 28. PMID: 39756977.
Orhan K, Driesen L, Shujaat S, Jacobs R, Chai X. Development and Validation of a Magnetic Resonance Imaging-Based Machine
Learning Model for TMJ Pathologies. Bi-omed Res Int. 2021 Jul 5;2021:6656773. doi: 10.1155/2021/6656773. PMID: 34327235;
PMCID: PMC8277497.
Li Y, Li W, Wang L, Wang X, Gao S, Liao Y, Ji Y, Lin L, Liu Y, Chen J. Detecting anteriorly displaced temporomandibular joint discs
using super-resolution magnetic resonance imaging: a multi- center study. Front Physiol. 2024 Jan 5;14:1272814. doi: 10.3389/
fphys.2023.1272814. PMID: 38250655; PMCID: PMC10796555.
Duyan Yüksel H, Orhan K, Evlice B, Kaya Ö. Evaluation of temporomandibular joint disc displacement with MRI-based
radiomics analysis. Dentomaxillofac Radiol. 2025 Jan 1;54(1):19-27. doi: 10.1093/dmfr/twae066. PMID: 39602602.
Kim JY, Kim D, Jeon KJ, Kim H, Huh JK. Using deep learning to predict temporo-mandibular joint disc perforation based on magnetic
resonance imaging. Sci Rep. 2021 Mar 23;11(1):6680. doi: 10.1038/ s41598-021-86115-3. PMID: 33758266; PMCID: PMC7988137.
Iwasaki H. Bayesian belief network analysis applied to determine the progression of temporomandibular disorders using MRI.
Dentomaxillofac Radiol. 2015;44(4):20140279. doi: 10.1259/ dmfr.20140279. Epub 2014 Dec 4. PMID: 25472616; PMCID:
PMC4628430.
Jeon KJ, Kim YH, Ha EG, Choi HS, Ahn HJ, Lee JR, Hwang D, Han SS. Quantitative analysis of the mouth opening movement of
temporomandibular joint disorder patients according to disc position using computer vision: a pilot study. Quant Imaging Med
Surg. 2022 Mar;12(3):1909-1918. doi: 10.21037/qims-21-629. PMID: 35284273; PMCID: PMC8899952.
Fichiers supplémentaires
Publiée
Licence
Merci de créditer les auteurs lors de toute citation : La Tunisie Médicale (2026)
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
