Applicazione dell'intelligenza artificiale nell'analisi di immagini per identificare lo stadio di maturazione della sutura palatina mediana

Abstract

INTRODUZIONE E SCOPO DELLO STUDIO: Il deficit trasversale del mascellare superiore è una condizione caratterizzata da una riduzione del diametro trasversale dell’arcata mascellare. Il trattamento di prima scelta per la correzione di questa condizione è rappresentato dall’espansione scheletrica dell’arcata, finalizzata all’allargamento del mascellare e all’aumento della larghezza transpalatale. La diagnosi rappresenta una fase cruciale nella definizione del piano terapeutico più adeguato e in questi casi un elemento fondamentale è la corretta identificazione dello stadio di maturazione della sutura palatina mediana; in base allo stadio di maturazione si possono identificare diverse strategie terapeutiche. Lo scopo principale di questo lavoro è testare un metodo diagnostico oggettivo e standardizzato per la classificazione dello stadio di maturazione della sutura palatina mediana, sfruttando le potenzialità offerte dalla tecnologia ed eliminando i potenziali errori umani. MATERIALI E METODI: Diverse CBCT di suture palatine mediane sono state analizzate e classificate da tre operatori e successivamente consegnate al DIBRIS e al Machine Learning Genoa Center (MaLGa) che ha addestrato e testato un algoritmo per il riconoscimento di immagini, al fine di valutare la concordanza tra le valutazioni degli operatori e quelle della macchina. RISULTATI: Il modello ha raggiunto un’accuratezza media del 66,06%, con una deviazione standard pari a ±3,95%, segno di una discreta concordanza tra persona e macchina. CONCLUSIONI: In futuro, l’integrazione di dati clinici aggiuntivi e di nuove immagini potrà migliorare ulteriormente le prestazioni del sistema. L’obiettivo a lungo termine sarà la realizzazione di un sistema di supporto decisionale clinico completo, capace di affiancare l’operatore nella valutazione ortodontica e nella scelta terapeutica con maggiore oggettività, efficienza e precisione.

INTRODUCTION AND AIM OF THE STUDY: Transverse deficiency of the maxilla is a condition characterized by a reduction in the transverse dimension of the maxillary arch. The treatment of choice for correcting this condition is skeletal expansion of the arch, aimed at widening the maxilla and increasing the transpalatal width. Diagnosis plays a crucial role in defining the most appropriate treatment plan, and in these cases, a key factor is the accurate identification of the maturation stage of the midpalatal suture. Based on the maturation stage, different therapeutic strategies can be adopted. The main aim of this study is to test an objective and standardized diagnostic method for classifying the maturation stage of the midpalatal suture, taking advantage of technological tools and eliminating potential human errors. MATERIALS AND METHODS: Several CBCT scans of midpalatal sutures were analyzed and classified by three different operators, then submitted to DIBRIS and the Machine Learning Genoa Center (MaLGa), which trained and tested an image recognition algorithm. The goal was to assess the level of agreement between human evaluations and those provided by the machine. RESULTS: The model achieved an average accuracy of 66.06%, with a standard deviation of ±3.95%, indicating a fair level of agreement between human and machine-based assessments. CONCLUSIONS: In the future, the integration of additional clinical data and new images could further enhance the performance of the system. The long-term objective is to develop a comprehensive clinical decision support tool, capable of assisting the clinician in orthodontic evaluation and treatment planning with greater objectivity, efficiency, and precision.