DT News - Italy - Applicazioni dell’intelligenza artificiale in Ortodonzia

Search Dental Tribune

Applicazioni dell’intelligenza artificiale in Ortodonzia

Fig. 3a

mar. 26 settembre 2023

salvare

Le applicazioni di machine learning hanno notevolmente migliorato la qualità della vita umana e negli ultimi decenni si è assistito alla progressione e all’applicazione del machine learning in diversi settori medici.

L’ortodonzia ha avuto un incredibile sviluppo in termini di tecnologie applicate con l’avvento dei sistemi digitali dalla CBCT allo scan intraorale e ai software collegati a queste apparecchiature. L’integrazione del deep learning all’interno dei software ha ulteriormente accelerato i processi di elaborazione di immagini.

L’utilizzo di IA (Intelligenza Artificiale) da parte dei clinici porta a un miglioramento della diagnosi, della pianificazione del trattamento, della valutazione della crescita e dello sviluppo, della valutazione dei progressi del trattamento e dei risultati, della fase di mantenimento e monitoraggio a distanza e del follow-up a lungo termine. Con il termine miglioramento si intende la possibilità di integrare con maggiore efficacia e approfondimento i dati che vengono raccolti e selezionati del clinico.
Poiché questi avanzamenti tecnologici sono ora ampiamente disponibili, è importante che i clinici siano preparati e competenti nell’uso degli strumenti di immagini ortodontiche basati sull’IA. Infatti, è fondamentale sapersi orientare nell’utilizzo di IA considerandola uno strumento di supporto e non di sostituzione delle capacità critiche e progettuali dell’individuo umano.

Uno dei settori ortodontici dove la combinazione di immagini digitali, software e IA ha veramente espresso enormi balzi in avanti in termini di efficacia senza far perdere al clinico il suo ruolo di ultimo decisore, è la cefalometria, sia quella tradizionale 2D, basata su immagini teleradiografie in proiezione latero-laterale, che l’analisi cefalometriche 3D sviluppate su modelli di rendering 3D del cranio ottenute da scansioni con macchinari cone beam.
Sono state proposte analisi volte a identificare punti anatomici specifici e misurare diverse distanze, angoli e rapporti. Per decenni, l’identificazione manuale dei landmark era l’unica opzione disponibile per il tracciamento cefalometrico, ma allo stato attuale lo sviluppo tecnologico dell’IA rappresenta una reale e importante alternativa. Lo sviluppo recente del software consente di raccogliere immagini cefalometriche laterali digitali o scansionate nei loro database per eseguire l’identificazione automatica dei landmark e l’analisi cefalometrica con tracciamento e misurazioni.

In termini di posizionamento dei landmark, l’uso dell’IA è stato valutato in diversi studi che, dopo aver analizzato da 400 a 500 teleradiografie in proiezione latero-laterali, hanno mostrato un’accuratezza incoraggiante nella posizione dei landmark, compresa tra il 88,43% e il 92%, rendendo l’utilizzo di strumenti di intelligenza artificiale nelle valutazioni 3D delle scansioni di tomografia computerizzata a fascio conico (CBCT) nel campo dell’ortodonzia ormai una realtà. L’imaging CBCT fornisce una visione più completa delle strutture craniofacciali rispetto ai tradizionali raggi X 2D, ma l’analisi manuale delle scansioni CBCT può essere complessa e richiedere molto tempo. Sono stati introdotti strumenti di intelligenza artificiale per semplificare e accelerare questo processo (Fig. 1). I settori dove IA entra in gioco sono ancora il posizionamento dei landmark nelle analisi cefalometriche 3D, le possibilità di eseguire diagnosi scheletriche e previsioni di crescita, la segmentazione delle basi scheletriche e dei denti, elementi indispensabili nelle progettazioni di interventi di chirurgia maxillo-facciale. Le cefalometria 3D è l’analisi dei rapporti scheletrici applicata al rendering 3D del massiccio facciale. Ad oggi esistono numerose tipologie di analisi 3D, poche corredate di un esaustivo apporto di valori norma comparativi che consentano non solo la misurazione lineare e angolare delle strutture ossee o dei tessuti molli, ma consentano l’elaborazione di un significato diagnostico della malocclusione scheletrica.

L’IA anche qui ha implementato la possibilità di posizionare in modo automatico i landmark e elaborare in tempo reale la diagnosi scheletrica (Fig. 2)1, 2.
Con il rapido avanzamento della tecnologia, il machine learning ha acquisito importanza nella previsione e classificazione delle patologie attraverso le immagini mediche. Questa espansione tecnologica nell’imaging medico ha reso possibile il riconoscimento automatizzato dei punti di riferimento anatomici nelle radiografie, come già detto. In questo contesto, è fondamentale che il machine learning sia in grado di eseguire non solo i tracciati ma di elaborare un significato diagnostico.
Il potenziale del machine learning si evolve e cresce in funzione dei dati che vengono messi a disposizione dell’algoritmo.

Nel 2016 Wang et al. ha proposto un nuovo metodo automatizzato per segmentare le strutture maxillomandibolari sulle scansioni CBCT utilizzando un algoritmo di foresta casuale (Foresta casuale è un algoritmo di machine learning supervisionato. È uno degli algoritmi più usati grazie alla sua accuratezza, semplicità e flessibilità).
I ricercatori hanno utilizzato le scansioni CBCT di 30 pazienti con deformità dentofacciali sia per addestrare che per testare il metodo di segmentazione automatizzata. Qualitativamente, i risultati della segmentazione automatizzata erano coerenti con i dati di verità del terreno segmentati manualmente, indicando l’accuratezza dello strumento IA (Figg. 3a, 3b).

Ciò che è particolarmente degno di nota è che il metodo di segmentazione automatizzata impiega una media di 10-20 minuti per segmentare le immagini CBCT. Questo è significativamente più veloce rispetto al tempo necessario per la segmentazione manuale (anche 3-4 ore per l’intero distretto facciale). L’introduzione di strumenti di intelligenza artificiale in questo contesto ha il potenziale per ridurre notevolmente il tempo e lo sforzo necessari per elaborare un tracciato cefalometrico in ortodonzia, rendendo il processo più efficiente e accessibile. In letteratura stanno apparendo sempre più numerosi i contenuti che spiegano come il supporto dell’IA sia un valido alleato nella gestione, nello studio e nella programmazione dei casi ortodontici.

Incredibile è l’apporto dell’IA e del machine learning nei software dedicati alla progettazione dei casi ortognatici: non solo la segmentazione dei tessuti scheletrici ma anche le modifiche in tempo reale dei valori cefalometrici durante la progettazione dei tagli osteotomici (Fig. 4)3, 4. Anche nell’ambito della valutazione degli spazi aerei i software di elaborazione di immagini sono stati implementati e velocizzati proprio con l’ausilio di tecnologie legate all’IA (Fig. 5)5. Calcolare il numero di cambiamenti nel volume delle vie aeree svolge un ruolo chiave durante il processo di pianificazione di un trattamento ortodontico o ortodontico-chirurgico. Questo perché i tessuti molli esercitano una forza continua a causa della loro flessibilità intrinseca, il che potrebbe influire sulla stabilità dei cambiamenti strutturali ottenuti. L’analisi dei volumi delle vie aeree è necessaria per determinare gli adattamenti orali e faringei alle condizioni respiratorie mutevoli e per valutare le vie aeree prima e dopo il trattamento ortopedico funzionale e la chirurgia ortognatica.

L’uso della segmentazione automatizzata ha notevolmente ridotto il tempo richiesto per la segmentazione delle vie aeree e ha soddisfatto i requisiti della pratica clinica eliminando la necessità di intervento manuale, che è un processo laborioso e lungo nella pratica clinica di routine ed è soggetto a variazioni da un operatore all’altro6.
C’è poi tutto il comparto dei sistemi di allineatori trasparenti che non solo si avvale di software di progettazione altamente efficaci ma alcuni di questi hanno implementato le loro capacità di elaborazione di piani di trattamento utilizzando il deep learning che si avvale di una base di big data che inseriti in sistemi di algoritmi sono in grado di progettare gli step dei movimenti ortodontici necessari per la risoluzione di una malocclusione.

L’uso dell’intelligenza artificiale può inoltre creare una simulazione clinica del sorriso del paziente dopo il potenziale trattamento ortodontico creando per il paziente una pre-visualizzazione del risultato. Questa simulazione che avviene utilizzando una app per smartphone è uno strumento estremamente efficace nel coinvolgere emotivamente il paziente in un processo decisionale. Alcuni software sono dotati di tecniche di intelligenza artificiale che classificano automaticamente i denti permanenti (adulti) rispetto a quelli primari (bambini) e rilevano la necessità di compensare l’eruzione. L’intelligenza artificiale sviluppa la segmentazione automatica dei denti a partire non solo da file dicom ma anche da file .stl propri delle scansioni ottenute con scanner intraorali, che utilizza l’apprendimento automatico/deep learning per prevedere le forme dei denti.

L’intelligenza artificiale in campo ortodontico è un alleato incredibile perché consente al clinico attento di acquisire informazioni diagnostiche sofisticate e attendibili, consente di progettare apparecchiature sempre più customizzate sul paziente e di monitorare il progress del trattamento in tempo reale.
Come tutti gli alleati bisogna conoscerne bene gli obbiettivi che devono coincidere con il benessere dei pazienti e far si che l’accelerazione data all’elaborazione dei dati non vada a discapito della qualità dell’operato clinico.

Si ringrazia Planmeca, Helsinki (Finland), per il supporto tecnico e di sviluppo.

Bibliografia

  1. Subramanian AK, Chen Y, Almalki A, Sivamurthy G, Kafle D. Cephalometric Analysis in Orthodontics Using Artificial Intelligence—A Comprehensive Review. BioMed Research Int. 2022 vol. 2022, Article ID 1880113.
  2. Perrotti G, Baccaglione G, Clauser T, Testarelli L, Del Fabbro M, Testori T. Total Face Approach (TFA): A Novel 3D Approach to Describe the Main Cephalometric Craniomaxillofacial Parameters. Methods Protoc. 2021 Feb 20;4(1):15.
  3. Wang H, Minnema J, Batenburg KJ, Forouzanfar T, Hu FJ, Wu G. Multiclass CBCT Image Segmentation for Orthodontics with Deep Learning. J Dent Res. 2021 Aug;100(9):943-949.
  4. Chen S, Wang L, Li G, Wu TH, Diachina S, Tejera B, Kwon JJ, Lin FC, Lee YT, Xu T, Shen D, Ko CC. Machine learning in orthodontics: Introducing a 3D auto-segmentation and auto-landmark finder of CBCT images to assess maxillary constriction in unilateral impacted canine patients. Angle Orthod. 2020 Jan;90(1):77-84.
  5. Tsolakis IA, Kolokitha OE, Papadopoulou E, Tsolakis AI, Kilipiris EG, Palomo JM. Artificial Intelligence as an Aid in CBCT Airway Analysis: A Systematic Review. Life (Basel). 2022 Nov 15;12(11):1894.
  6. Kamaruddin N, Daud F, Yusof A, Aziz ME, Rajion ZA. Comparison of automatic airway analysis function of Invivo5 and Romexis software. PeerJ. 2019 Jan 23;7:e6319.

L'articolo è stato pubblicato su CAD/CAM international magazine of digital dentistry, Italian Edition n. 2/23.

Leave a Reply

Your email address will not be published. Required fields are marked *

advertisement
advertisement