Secondo una ricerca presentata a EuroPerio10, il principale congresso mondiale di parodontologia e odontoiatria implantare organizzato dalla Federazione europea di parodontologia (Efp), un algoritmo di deep learning è in grado di rivelare con successo la malattia parodontale dalle radiografie bitewing 2D.
«Il nostro studio mostra il potenziale dell’intelligenza artificiale per identificare automaticamente patologie parodontali che altrimenti potrebbero non essere rilevate – ha affermato il dottor Burak Yavuz dell’Università Eskisehir Osmangazi, in Turchia, autore dello studio –. Ciò potrebbe ridurre l’esposizione alle radiazioni evitando valutazioni ripetute, prevenire la progressione silenziosa della malattia parodontale e consentire un trattamento tempestivo».
Studi precedenti hanno esaminato l’uso dell’intelligenza artificiale per rilevare carie, fratture radicolari e lesioni apicali, ma la ricerca nel campo specifico della parodontologia è limitata. Questo studio ha valutato la capacità del deep learning, una tipologia di intelligenza artificiale, di determinare lo stato parodontale tramite radiografie bitewing.
Lo studio ha utilizzato 434 radiografie bitewing di pazienti con parodontite. L’elaborazione delle immagini è stata eseguita con l’architettura u-net, una rete neurale convoluzionale utilizzata per segmentare le immagini in modo rapido e preciso. Un medico specialista esperto ha anche valutato le immagini utilizzando il metodo della segmentazione. Le valutazioni includevano la perdita ossea alveolare totale attorno ai denti inferiori e superiori, la perdita ossea orizzontale, la perdita ossea verticale, i difetti della forcazione e il tartaro attorno ai denti mascellari e mandibolari.
La rete neurale ha identificato 859 casi di perdita ossea alveolare, 2.215 casi di perdita ossea orizzontale, 340 casi di perdita ossea verticale, 108 difetti di forcazione e 508 casi di calcolo dentale. Il successo dell’algoritmo nell’identificazione dei difetti è stato confrontato con la valutazione del medico e riportato come sensibilità, precisione e punteggio F1, che è la media ponderata di sensibilità e precisione. Per sensibilità, precisione e punteggio F1, 1 è il valore migliore e 0 è il peggiore.
I risultati di sensibilità, precisione e punteggio F1 per la perdita totale di osso alveolare erano rispettivamente di 1, 0,94 e 0,96. I valori corrispondenti per la perdita ossea orizzontale erano rispettivamente 1, 0,92 e 0,95, mentre l’intelligenza artificiale non poteva identificare la perdita ossea verticale. Per il calcolo dentale, i risultati di sensibilità, precisione e punteggio F1 erano rispettivamente 1,0, 0,7 e 0,82, e per i difetti di forcazione i valori corrispondenti erano rispettivamente 0,62, 0,71 e 0,66.
Il dottor Yavuz ha affermato: «Il nostro studio dimostra che l’intelligenza artificiale è in grado di rilevare molti tipi di difetti dalle immagini 2D che potrebbero aiutare nella diagnosi della parodontite. Sono necessari studi più completi su set di dati più ampi per aumentare il successo dei modelli ed estenderne l’uso alle radiografie 3D». Ha infine concluso ribadendo le potenzialità dell’intelligenza artificiale nell’ambito ordontoiatrico, soprattutto nel diagnosticare e curare le malattie in anticipo.
Luca Marelli
Giornalista Italian Dental Journal
Muhammet BY, Nichal S, Mehmet E, Kurt Bayrakdar S, Ibrahim SB, Özer Ç, Kaan O. Detecting periodontal bone loss with an artificial intelligence approach on dental bitewing radiographs. EuroPerio10, 2022.
