La diagnostica per immagini costituisce uno dei più promettenti campi di applicazione, in ambito medicale, dell’intelligenza artificiale.

Oggigiorno, sono disponibili tecniche radiologiche incredibilmente (e sempre più) performanti. Un clinico, conseguentemente, a fronte della mole crescente di informazioni, potrebbe ricevere una grossa mano da sistematiche automatizzate di lettura, in grado di corroborare le rilevazioni diagnostiche, se non di riconoscere elementi sfuggiti all’attenzione. È infatti fisiologico, anche per un clinico esperto e attento, andare incontro a delle incertezze, soprattutto quando si lavora su grossi numeri.

Pubblicità

Nell’approccio chirurgico al terzo molare inferiore, la principale criticità è rappresentata dall’inquadramento del rischio di danno a carico del nervo alveolare inferiore. Esso dipende, in primo luogo, dall’effettiva prossimità tra dente e canale mandibolare: è questo il parametro da considerare nella valutazione radiologica.

Le rilevazioni dimensionali reali richiedono la messa in atto di un esame 3D come la TC cone beam. Questa, in virtù della relativamente elevata esposizione alle radiazioni, è da considerarsi un esame di secondo livello, non applicabile in prima ipotesi a ogni candidato a chirurgia del terzo molare. L’esame di routine è normalmente la panoramica dentale, che però rappresenta una rappresentazione bidimensionale delle strutture dentoscheletriche e, peraltro, soffre di problemi di distorsione e ingrandimento incostante.

Recentemente, un gruppo di ricercatori cinesi ha sviluppato un sistema, basato sul deep learning, di definizione automatica, su panoramiche digitali, della reale relazione di contatto fra terzo molare inferiore e nervo alveolare. L’obiettivo, doppio, era, da una parte, quello di ridurre l'interferenza di pseudo-contatti nelle OPT e, conseguentemente, la richiesta inappropriata di CBCT; dall’altra, stimare più accuratamente i casi a rischio, meritevoli, pertanto, di approfondimento radiografico. In altre parole, sbagliare meno, in un senso e nell’altro.

I ricercatori hanno applicato a un totale di 503 radiografie panoramiche (per 915 terzi molari) l’algoritmo di object detection YOLOv4. La rete di deep learning è stata denominata MM3-IANnet.

Sono state definite delle metriche di accuratezza, utili anche al confronto con le performance diagnostiche di cinque odontoiatri indipendenti.

La precisione media di MM3-IANnet (76.45%) è risultata effettivamente superiore a quella degli odontoiatri (83.02%), seppur in maniera non statisticamente significativa. Il dato maggiormente alto è però emerso dalla combinazione tra rete e clinico (88.06%).

Al netto dei limiti, legati principalmente alla scarsa numerosità dei campioni e, ancora di più, dei dentisti partecipanti, lo studio ha fornito indicazioni interessanti, anche in vista di sviluppi futuri. Viene evidenziato il potenziale del deep learning come tecnologia adiuvante, più che in concorrenza all’“occhio clinico”, e suggerita l’utilità nell’incremento delle informazioni estratte dalla radiografia panoramica.

Riferimenti bibliografici a proposito di terzo molare e nervo alveolare
Studio dei rapporti tra terzo molare e nervo alveolare inferiore attraverso deep learning - Ultima modifica: 2021-11-10T06:05:42+00:00 da redazione
Studio dei rapporti tra terzo molare e nervo alveolare inferiore attraverso deep learning - Ultima modifica: 2021-11-10T06:05:42+00:00 da redazione

LASCIA UN COMMENTO

Inserisci il tuo commento
Inserisci il tuo nome