La progettazione protesica digitale continua a rappresentare uno dei passaggi più complessi, laboriosi e dipendenti dall’intervento umano in odontoiatria restaurativa. Nuove tecnologie di intelligenza artificiale promettono oggi di generare corone, modelli 3D e segmentazioni più precise, rendendo i software clinici più rapidi e affidabili.
Chi lavora ogni giorno tra scanner intraorali, file STL e software CAD lo sa bene: il vero nodo critico del flusso digitale non è l’acquisizione dell’impronta, ma la progettazione della corona. È qui che l’intervento umano, oggi ancora affidato quasi interamente all’odontotecnico, richiede tempo, competenza e una continua mediazione tra anatomia ideale, occlusione e vincoli clinici. Negli ultimi anni, la ricerca scientifica ha iniziato a proporre soluzioni radicalmente nuove: non semplici strumenti di supporto al disegno, ma sistemi capaci di generare forme dentali plausibili a partire dai dati. In questo focus analizziamo e confrontiamo tre differenti approcci nella generazione digitale del dente – CrownGen, ToothForge e ToothMCL – cercando di capire come funzionano, in cosa differiscono e quale potrebbe essere il loro impatto reale sul lavoro quotidiano di clinici e odontotecnici.
Perché automatizzare la progettazione protesica digitale?
La progettazione protesica digitale è oggi uno dei passaggi più onerosi del workflow restaurativo. Nonostante l’evoluzione dei software CAD, il risultato finale dipende ancora (soprattutto nei casi complessi o multipli) fortemente dall’esperienza dell’odontotecnico. I modelli generativi nascono con un obiettivo chiaro: ridurre il tempo di progettazione iniziale fornendo una morfologia di partenza già coerente dal punto di vista anatomico, occlusale e funzionale, lasciando all’operatore il ruolo di supervisore e rifinitore.
Modelli generativi su geometria 3D: CrownGen
CrownGen rappresenta un’evoluzione dei classici modelli di point cloud completion. Tecnicamente, il sistema utilizza modelli generativi avanzati (diffusion models) che apprendono come “ricostruire” uno o più denti mancanti osservando il contesto fornito dagli elementi adiacenti e antagonisti.
Un aspetto distintivo è l’approccio tooth-centric: ogni dente viene trattato come un’entità separata, permettendo al modello di generare più corone contemporaneamente e di modulare l’influenza dei denti vicini.
Modelli statistici di apprendimento morfologico: ToothMCL
ToothMCL si colloca nell’ambito dei modelli statistici e di machine learning classico applicati alla morfologia dentale. Il principio è diverso: invece di generare una forma “da zero”, il sistema apprende le variazioni morfologiche tipiche dei denti all’interno di una popolazione.
Tecnicamente, il dente viene descritto tramite parametri geometrici controllabili, consentendo interpolazioni e adattamenti progressivi della forma. Il risultato è una corona che rispetta schemi anatomici molto stabili.
Generazione spettrale della forma: ToothForge
ToothForge introduce un cambio di paradigma. Invece di lavorare direttamente sulla superficie del dente, la forma viene trasformata in una rappresentazione spettrale, simile a una scomposizione in frequenze. Tecnicamente, ogni dente viene descritto tramite coefficienti che rappresentano le sue caratteristiche geometriche intrinseche. Allineando questi coefficienti tra denti diversi, il modello può generare nuove forme in modo estremamente efficiente e coerente, anche con dataset piccoli o disomogenei.
Verso una nuova divisione dei ruoli, oltre il CAD tradizionale
Queste tecnologie non sostituiranno l’odontotecnico ma ne trasformeranno il ruolo.
La progettazione manuale completa lascerà spazio a una fase di validazione, adattamento e rifinitura di forme generate automaticamente.
Nel lungo termine, la vera rivoluzione sarà culturale: passare dal “disegno” della corona alla sua selezione e ottimizzazione su base dati.
Per clinici e odontotecnici, comprendere oggi questi modelli significa prepararsi a un futuro in cui il valore non starà più nel numero di clic, ma nella capacità di giudizio. La progettazione digitale del dente sta cambiando. E, questa volta, non è solo una questione di software.
2. Kub’ik, T., Guibault, F., vSpanvel, M., & Lombaert, H. (2025). ToothForge: Automatic Dental Shape Generation using Synchronized Spectral Embeddings. ArXiv, abs/2506.02702. 3. Son, M.H., Bae, J., Qiu, Z., Peng, J., Li, K.X., Lin, Y., & Chen, H. (2025). Multimodal Contrastive Pretraining of CBCT and IOS for Enhanced Tooth Segmentation. ArXiv, abs/2509.07923.
