Influência da espessura, tonalidade do substrato e iluminante no comportamento óptico de materiais CAD-CAM: estudo experimental e com predição por inteligência artificial

Abstract

Este estudo in vitro avaliou o comportamento óptico, a capacidade de mascaramento, a precisão de um modelo de regressão baseado em aprendizado de máquina (IA) para predição de cor e a influência da tonalidade do substrato e de diferentes iluminantes na cor de materiais CAD-CAM com distintas espessuras. Material e Métodos: Discos com espessuras de 0,5; 1,0 e 1,5 mm foram obtidos a partir de blocos CAD-CAM de tonalidade A2 e alta translucidez (HT) dos materiais: resina composta nanocerâmica (Lava Ultimate-LU), resina composta nanohíbrida (Grandio Blocs-GB), cerâmica com matriz polimérica incorporada (VITA Enamic-VE) e porcelana feldspática (VITA Mark II-VM). A reflectância espectral de todos os espécimes foi medida sobre fundo preto padronizado e nove fundos coloridos fabricados (ND1-ND9, IPS Natural Die Material) utilizando espectrorradiômetro (SpectraScan PR670). Os valores de reflectância espectral foram convertidos em coordenadas CIEL*a*b, croma (C) e matiz (hº). Os dados obtidos foram utilizados em quatro estudos in vitro: Publicação 1: A partir dos valores espectrais, foram calculados os coeficientes de dispersão (S), absorção (K), albedo (a), transmitância (T%), refletividade da luz (RI) e espessura óptica infinita (X∞) de espécimes com 1,0 mm de espessura (n=10/material), utilizando a teoria de Kubelka-Munk. A razão K/S dos materiais CAD-CAM foi comparada com a de estruturas dentais bovinas. O Erro Quadrático Médio (RMSE) e o Grau de Ajuste (GFC) foram utilizados como parâmetros de análise do comportamento óptico. A translucidez foi avaliada utilizando o parâmetro relativo (RTP00) e respectivos limiares de perceptibilidade (TPT00) e aceitabilidade (TAT00). As propriedades ópticas e a translucidez variaram de acordo com a composição e microestrutura dos materiais CAD-CAM, sendo que VM apresentou maiores valores de S e menores valores de RTP00. A dispersão (scattering) foi identificada como fenômeno de atenuação da luz mais relevante, embora tenha se mostrado menos significativa em comparação com as estruturas dentárias. Publicação 2: Diferenças de cor (ΔE₀₀), de parâmetro de translucidez relativa (ΔRTP00) e espessura óptica infinita (X∞) foram calculadas para avaliar a capacidade dos materiais CAD-CAM, nas diferentes espessuras (n=3/material), em mascarar os fundos ND1-ND9. Dados de ΔE₀₀ foram analisados por Kruskal-Wallis e Mann-Whitney (α=0,05). Os valores de ΔE₀₀ entre as espessuras foram comparados com os limiares de perceptibilidade e aceitabilidade. O RMSE e o GFC foram utilizados como parâmetros de desempenho óptico de X∞. A capacidade de mascaramento dos materiais CAD-CAM de alta translucidez foi influenciada pela composição, espessura e cor do substrato ND subjacente, sendo que VM demonstrou efeito de mascaramento superior aos demais materiais para todas as espessuras. Publicação 3: Para desenvolver e avaliar o modelo de predição de cor baseado em inteligência artificial (IA), o conjunto de dados de entrada consistiu nas coordenadas L*, a* e b* mensuradas de todos os espécimes; utilizadas para prever as coordenadas de cor de determinada amostra. Estratégia de validação cruzada leave-one-out (LOO-CV) foi utilizada para desenvolver e avaliar os modelos preditivos. Modelos de regressão Partial Least Square (PLS) foram empregados para prever valores de L*, a* e b* com base nos dados das variáveis de entrada: material, espessura e fundo ND. O RMSE foi utilizado como parâmetro de avaliação de desempenho do método. Diferenças de cor CIEDE2000 entre dados medidos e preditos foram calculadas, e a precisão foi avaliada comparando os valores de ΔE₀₀ com os limiares de perceptibilidade e aceitabilidade. Os modelos de aprendizado de máquina desenvolvidos previram com precisão as coordenadas CIE-L*a*b*, com todos os valores de ΔE₀₀ permanecendo dentro do limite de aceitabilidade. A precisão da predição de cor melhorou substancialmente quando os dados foram segmentados por material e espessura. No geral, a integração de LOO-CV e da regressão PLS produziu um modelo estável e reproduzível. Publicação 4: A partir da reflectância espectral de cada amostra de material CAD-CAM com 1,0 mm de espessura (n=3/material) sobre cada fundo ND, as cores correspondentes sob os iluminantes D65, A e nove LEDs brancos foram calculadas utilizando a transformação cromática CIECAT16. Diferenças de cor CIEDE2000 entre as amostras iluminadas pelo CIE D65 e demais iluminantes foram calculadas. Os limiares de perceptibilidade e aceitabilidade foram utilizados para analisar as variações de cor entre os distintos iluminantes. Os iluminantes LED B3, B4 e B5 geralmente apresentaram os menores valores de ΔE00 para todos os materiais e tonalidades de substrato, mantendo-se consistentemente dentro dos limites de perceptibilidade e aceitabilidade. VE e VM revelaram maior inconstância de cor, particularmente nos substratos ND4, ND5 e ND6, geralmente com valores acima do limite de aceitabilidade. Conclusão: Com base nas metodologias propostas e nos achados das quatro publicações, foi possível concluir que o comportamento óptico e desempenho estético de materiais restauradores CAD-CAM são dependentes de sua composição, microestrutura, espessura e da interação com o substrato e as condições de iluminação. A compreensão integrada desses fatores permite aprimorar a previsibilidade estética de restaurações, orientar a seleção de cor e de materiais de forma mais racional e apoiar o desenvolvimento de novas ferramentas e protocolos baseados em ciência da cor e modelagem preditiva.

This in vitro study assessed the optical behavior, masking ability, the accuracy of a machine learning regression model (AI) for color prediction, and the influence of different illuminants on the color of CAD-CAM with varying thicknesses. Material and Methods: Disk-shaped samples in 0.5, 1.0, and 1.5 mm of thickness (n=12) were obtained in A2 shade and high translucency level (HT) of CAD-CAM nanoceramic composite resin (Lava Ultimate-LU), nanohybrid composite resin (Grandio Blocs-GB), polymer-infiltrated ceramic network (VITA Enamic-VE), and feldspar porcelain (VITA Mark II-VM). The spectral reflectance of specimens was measured over a standardized black background and nine fabricated colored backgrounds (ND1-ND9, IPS Natural Die Material) using a non-contact spectroradiometer (SpectraScan PR670). Spectral reflectance values were converted into CIEL*a*b* and chroma (C*) and hue (hº) coordinates. The data obtained were utilized across four in vitro studies: Study 1: From the spectral values, scattering (S), absorption (K), albedo (a) coefficient, transmittance (T%), light reflectivity (RI), and infinite optical thickness (X∞) were calculated for 1.0 mm thick samples using Kubelka-Munk theory. The K/S ratio of CAD-CAM materials was compared to that of bovine dental structures. Root Mean Square Error (RMSE) and Goodness of Fit (GFC) were used as performance optical behavior. Translucency was evaluated using the relative parameter (RTP00) and 50:50% translucency perceptibility and acceptability thresholds. The optical properties and translucency varied according to the composition and microstructure of the CAD-CAM materials, with VM showing higher scattering and lower RTP00 values. Scattering was identified as the most relevant light attenuation phenomenon, although it proved to be less significant compared to dental structures. Study 2: Calculations of color differences (ΔE00), relative translucency parameter (ΔRTP00), and infinite optical thickness (X∞) were performed to assess the ability of the CAD-CAM materials at different thicknesses (n=3/material) to mask the ND1-ND9 backgrounds. ΔE00 data were analyzed by Kruskal-Wallis and Mann-Whitney tests (α=0.05). ΔE00 values between thicknesses were compared to perceptible and acceptable thresholds. RMSE and GFC were used as performance optical behavior of X∞. The masking ability of high-translucency CAD-CAM materials was influenced by material composition, thickness, and the color of the underlying ND substrate, with VM demonstrating the superior masking effect across all thicknesses. Study 3: To develop and evaluate the AI color predictive model, the input dataset consisted of the measured L*, a*, and b* coordinates of the samples, which were used to predict the CIE-L*a*b* color coordinates of a given sample. A leave-one-out cross-validation (LOO-CV) strategy was implemented for model development and evaluation. Partial Least Squares (PLS) regression models were applied to predict the color coordinate value as a function of thicknesses and against the ND backgrounds. Color differences (ΔE00) were calculated between the measured and predicted values. The ΔE00 50:50% acceptability and perceptibility thresholds were used as performance assessments of the method. The machine learning models developed accurately predicted CIE-L*a*b* coordinates, with all ΔE00 values remaining within the acceptable limit. Prediction accuracy improved substantially when data were segmented by material and thickness. Overall, the integration of LOO-CV and PLS regression produced a stable and reproducible model. Study 4: From the spectral reflectance factors of each CAD-CAM material sample with a thickness of 1.0 mm (n=3/material) on each ND background, the corresponding colors under D65, A, and nine white LED illuminants were computed using the chromatic adaptation transform CIECAT16. CIEDE2000 color differences between samples illuminated by the CIE D65 and other illuminants were calculated. The respective perceptibility and acceptability color thresholds were used to analyze the color variations among the different illuminants. LED illuminants B3, B4, and B5 generally yielded the lowest ΔE00 values for all materials and substrate shades, consistently within perceptible and acceptable limits. VE and VM revealed greater color inconstancy, particularly on substrates ND4, ND5, and ND6, generally above the acceptability threshold. Conclusion: Based on the proposed methodologies and the findings of the four studies, it is evident that the optical behavior and esthetic performance of CAD-CAM restorative materials depend on their composition, microstructure, thickness, and interaction with the substrate and lighting conditions. Understanding these factors in an integrated manner allows for improving the aesthetic predictability of restorations, guiding color and material selection more rationally, and supporting the development of new tools and protocols based on color science and predictive modeling.