El modelo reconoce el diente. Lo que no sabe hacer es contar.
Un Point Transformer numera el 93% de los dientes sólo con la geometría de la superficie. Casi todos los fallos son el mismo: el diente correcto con el número desplazado una posición.
Un escáner intraoral produce una malla 3D de la boca: unos 117.000 puntos por arcada. El objetivo de este experimento era etiquetar cada punto con el diente al que pertenece, en notación FDI, el sistema de dos dígitos donde el primero indica el cuadrante de la boca y el segundo la posición del diente. Suena a problema sencillo: la segmentación semántica de nubes de puntos es hoy un campo maduro, con buenas arquitecturas y conjuntos de datos públicos. En mi caso monté un Point Transformer sobre Teeth3DS+ (300 pacientes, 600 arcadas) y esperaba que la parte interesante fuera ajustar la métrica. Resultó ser otra cosa.
Primer hallazgo: la geometría basta
La pregunta que quería responder no era «¿cuánto acierta?», sino una decisión de arquitectura: ¿hace falta CBCT para numerar dientes? El CBCT, que no todo el mundo conocerá, es un tipo de TAC dental, una versión moderna específica de boca y cara que produce imágenes 3D con menos radiación que un TAC de hospital. La cuestión es que integrarlo sale caro: exige registrar volumen y malla con precisión submilimétrica, y disponer de las dos modalidades del mismo paciente.
El resultado: sólo con la geometría de la superficie, el modelo acierta el número FDI en el 93% de los dientes. La característica que lo consigue son las normales, el vector perpendicular a la superficie en cada punto. Tres números por vértice, calculados en segundos, sin ningún coste de adquisición. Y algo aún más útil: el modelo sin ninguna característica por punto se derrumba. Aprende el conjunto de entrenamiento y no generaliza nada, porque sin un descriptor de la forma local se agarra a la posición absoluta del punto dentro de la arcada, y cada boca tiene una forma distinta.
Segundo hallazgo: el fallo no es reconocer, es contar
Aquí es donde el problema dejó de parecerse a lo que yo creía que era. Miré en qué se equivocaba, y el error dominante no era aleatorio. Entre el 62% y el 83% de los fallos son el diente de al lado (un 46 etiquetado como 45), y no es un borde mal trazado: es el diente entero, correctamente detectado y correctamente delimitado, con el número desplazado una posición. El resto de la arcada, perfecto.
La razón estaba en la notación: FDI es ordinal y, como decía al principio, el segundo dígito es cuántas posiciones has contado desde la línea media: 1 el incisivo central, 2 el lateral, 3 el canino, y así. Para decir «esto es un 46» hay que saber en qué cuadrante estás y que es el sexto contando desde el centro. Eso es contar, y contar exige ver la secuencia entera. Pero el modelo mira vecindarios locales, que es precisamente lo que le permite generalizar entre pacientes. El problema es que un primer molar y un segundo molar son casi idénticos de forma, así que localmente no hay nada que distinga un 46 de un 47. De modo que el modelo infiere el ordinal de una estimación difusa de «por dónde voy en la arcada». Si esa estimación se desplaza un hueco, el número se desplaza un hueco.
Lo que confirma la hipótesis: el error empeora con dientes ausentes (0,86 frente a 0,98 en denticiones completas). Si falta un diente, la referencia de conteo se rompe, y un escaneo intraoral no puede ver un diente ausente, ni uno incluido sin erupcionar; sólo capta la superficie visible en la boca. Así que hace falta contexto global de la arcada, y eso tiene que venir de otra fuente: una radiografía panorámica, el CBCT o el propio informe clínico. El modelo sabe qué es cada diente, pero falla en dónde encaja dentro de la secuencia.
Tercer hallazgo: el incómodo
Pasé varias semanas sacando conclusiones de ejecuciones sueltas. Entrenar, medir, anotar el resultado, seguir. Pero cuando lo pasé todo a tres semillas con media y desviación típica, descubrí que la varianza entre ejecuciones era del mismo orden que los efectos que estaba midiendo. No es que los números se movieran un poco: cambiaba el signo. Una técnica que yo había documentado como una mejora supuestamente modesta pero consistente dio, en cinco ejecuciones del mismo código, deltas de +0,034, −0,048, −0,035, +0,017 y −0,116. No eran resultados contradictorios: eran muestras de una distribución centrada en cero, lo que significa que yo había estado describiendo ruido.
Y tras varias rondas salió otra cosa: el entrenamiento ni siquiera es fiable. Una semilla produjo un modelo que nunca aprendió a distinguir maxilar superior de inferior: acertaba el 79% arriba y el 19% abajo, mapeando sistemáticamente los dientes inferiores sobre códigos superiores. Ese modelo habría pasado desapercibido si sólo hubiera mirado la métrica global de una única pasada.
La conclusión que saco de todo esto se podría resumir así: un resultado negativo bien medido vale más que uno positivo mal medido; saber que una técnica no ayuda a esta escala ahorra el tiempo de construir encima de ella. Antes de optimizar, conviene entender la estructura del error. El 93% era el número presentable. El hallazgo útil fue que los fallos son sistemáticos y de un solo tipo, porque eso te dice exactamente dónde poner la revisión humana: la región molar y las bocas con dientes ausentes.
Experimento sobre Teeth3DS+. Esto no es un resultado clínico: es una prueba técnica sobre un conjunto de datos y un tipo de escáner, y sirve para decidir arquitectura, no para diagnosticar. Este experimento forma parte de un ejercicio propuesto por Matías Molinas, dentro del proyecto Agentic-Smart-Health de ANFAIA, en colaboración con Histora.
