Deep learning e analisi automatica del rialzo del seno mascellare su immagini Cone Beam
Un sistema di deep learning applicato al rialzo del seno mascellare mostra come l’IA possa rendere più stabile, riproducibile e utilizzabile nel tempo la misurazione dei processi biologici.
Uno dei limiti meno discussi dell’imaging medico non riguarda tanto la qualità delle immagini, ma la difficoltà di confrontarle nel tempo in modo coerente. In molti contesti clinici il problema principale è rappresentato dalla necessità di misurare i cambiamenti rispetto a una condizione precedente: quando la variazione è progressiva, biologicamente complessa, multidimensionale e priva di confini netti, la misurazione diventa inevitabilmente interpretativa. Questo è particolarmente evidente nella valutazione del rialzo del seno mascellare, dove l’interesse clinico non è tanto l’aspetto dell’innesto osseo in un singolo momento, quanto la sua evoluzione nei mesi successivi. L’osso innestato cambia densità, si integra con i tessuti circostanti e perde dunque i margini iniziali. In questo scenario, la misurazione manuale del volume diventa lenta, spesso difficoltosa, variabile tra operatori e poco riproducibile nel follow-up.
Un recente studio propone una soluzione che tenta di modificare il modo stesso in cui il problema viene posto. Il sistema, denominato SA-ai, utilizza un’architettura composita basata su due modelli distinti: una 2D U-Net per la segmentazione del contorno del seno mascellare e una 3D V-Net per la segmentazione volumetrica della mascella su immagini CBCT (cone beam) pre- e post-operatorie. Le due segmentazioni vengono poi allineate tramite una procedura di registrazione rigida e quindi confrontate. Invece di chiedere all’algoritmo di riconoscere direttamente l’innesto osseo (quindi una struttura che cambia aspetto nel tempo), il sistema segmenta una struttura anatomicamente stabile (la mascella) in momenti diversi e calcola le differenze tra i volumi. In questo modo, il problema passa dall’identificazione di un tessuto biologicamente variabile alla misurazione di una variazione geometrica. È un cambiamento di prospettiva che riduce la dipendenza dalle caratteristiche radiologiche dell’innesto e rende il sistema meno sensibile alle modificazioni fisiologiche che avvengono durante il processo di integrazione ossea.
Sul piano tecnico, la segmentazione della mascella raggiunge un Dice Coefficient (detto anche indice Sørensen-Dice Index, misura statistica che quantifica la similarità tra due set di immagini) medio di circa 93%, con valori sovrapponibili nei diversi momenti temporali (pre-operatorio, post-operatorio immediato e follow-up a distanza di mesi). La procedura di registrazione tra le CBCT mostra un errore medio di allineamento di circa 1 mm, considerato compatibile con l’analisi volumetrica clinica. Il confronto con le misurazioni manuali, effettuate da più operatori esperti, evidenzia una concordanza molto elevata. In particolare, per il parametro centrale dello studio, ovvero il volume di osso innestato, l’indice di correlazione interclasse (ICC) raggiunge valori fino a 0.99, indicando una quasi sovrapposizione tra metodo automatico e valutazione umana. Le differenze osservate non sono casuali: il sistema tende a fornire valori lievemente inferiori rispetto alle misurazioni manuali. Questo scostamento è compatibile con un approccio più conservativo nella definizione dei confini, soprattutto nelle aree a maggiore ambiguità anatomica.
Uno degli aspetti più rilevanti riguarda la tenuta delle prestazioni nel follow-up. Il sistema mantiene livelli di accuratezza comparabili tra post-operatorio immediato e controlli a distanza di mesi, nonostante le modificazioni biologiche dell’innesto. Questo punto è cruciale, perché molti modelli basati su segmentazione diretta del graft mostrano un decadimento delle prestazioni quando l’aspetto radiologico del tessuto cambia nel tempo. Il sistema risulta inoltre applicabile anche nei casi one-stage, con impianto inserito contestualmente all’innesto. In questi casi, il volume dell’impianto viene identificato e sottratto automaticamente, consentendo una stima del volume osseo netto.
Dal punto di vista operativo, il vantaggio è netto. Il workflow automatico consente una riduzione dei tempi di analisi superiore a 20 volte rispetto alla procedura manuale completa, che richiede in media oltre un’ora per paziente. L’analisi automatica viene completata in pochi minuti.