L’intelligenza artificiale in odontoiatria: utilizzi, limiti e prospettive

L’intelligenza artificiale (AI) è “un processo computerizzato che mira a riprodurre l’intelligenza umana o animale e che trova applicazione in una vasta gamma di campi (ad esempio, apprendimento automatico, elaborazione del linguaggio naturale e robotica)” [1].

Questa viene già applicata ad una vasta gamma di specialità, non solo all’interno dell’area medica ma anche concernenti l’area matematica, finanziaria, ingegneristica e commerciale [2].

Lo scopo e la modalità di applicazione dell’intelligenza artificiale sono però sempre gli stessi: l’imitazione del processo decisionale umano facendo emergere correlazioni e principi in seguito ad un utilizzo logico e ad un’analisi matematica dei dati di partenza.

In tal modo, le decisioni umane dovrebbero teoricamente essere facilitate e più accurate, poiché tutti gli aspetti, pro e contro relativi ad una determinata questione/patologia vengono presi in considerazione dalla macchina che, una volta vagliati tutti i dati disponibili, elabora la soluzione migliore [3,4].

Una “medicina di precisione” personalizzata e preventiva

In ambito medico, l’intelligenza artificiale potrebbe così condurre ad una migliore comprensione delle malattie all’interno delle diverse popolazioni del mondo e dei diversi individui attraverso l’analisi computerizzata e l’estrapolazione di un’ampia gamma di dati.

Si potrebbe così giungere alla cosiddetta “medicina di precisione”, ossia una medicina personalizzata, basata su interventi preventivi e terapeutici non su larga scala, bensì mirati ai singoli specifici individui.

Si tratta di una medicina che tiene conto delle differenze individuali in termini di genetica, stile di vita, alimentazione, familiarità, riuscendo così ad individuare le terapie più idonee al singolo caso clinico [5].

Odontoiatria predittiva e diagnostica per immagini: il ruolo dell’AI

Nell’ambito odontoiatrico, sfruttando i principi alla base del deep learning, l’intelligenza artificiale sta iniziando ad entrare nelle attività e nei programmi per ciò che concerne l’odontoiatria predittiva e la diagnostica perimmagini [6].

In ortodonzia, alcuni programmi già consentono il rilevamento automatizzato di punti di riferimento cefalometrici sulle teleradiografie latero-laterali, di cambiamenti radiografici risultanti da trattamenti ortodontici non estrattivi e la previsione di crescita e sviluppo [7,8].

AI nell’analisi radiografica

Nell’odontoiatria conservativa, i meccanismi di intelligenza artificiale vengono applicati principalmente nell’analisi delle radiografie endorali per diagnosticare carie interprossimali, dello smalto e per capire l’effettiva estensione in dentina [9]. L’analisi della scala di grigi per i diversi pixel presenti nella radiografia risulta infatti utilizzata per discriminare la presenza o meno di carie e la loro grandezza.

Seguendo lo stesso principio, l’analisi delle radiografie endorali consente ad alcuni sistemi di AI di rilevare patologie endodontiche e l’anatomia dei canali radicolari, suggerendo la difficoltà di un eventuale trattamento canalare [10].

Sempre per quanto concerne l’analisi radiografica, in parodontologia e implantologia l’intelligenza artificiale risulta utile per capire le tipologie di difetto osseo presenti e per fare una valutazione del rischio di sviluppo delle patologie parodontali/perimplantari, in seguito, ad esempio, all’osservazione della scomparsa della lamina dura [11,12].

Inoltre, il deep learning in questo campo può anche consentire il riconoscimento del tipo di impianto presente nell’osso, nel caso in cui si debba trattare un paziente che ha posizionato un impianto e di cui non si conosce il tipo [13].

AI in ambito protesico e maxillo-facciale

In ambito protesico, l’analisi occlusale e il riconoscimento di segni parafunzionali risultano ad oggi ancora in fase di studio, sebbene gli studi preliminari risultino incoraggianti [14].

In chirurgia maxillo-facciale, invece, l’intelligenza artificiale risulta utile per la pianificazione dei casi chirurgici di chirurgia ortognatica e oncologica [15]. Ulteriori applicazioni potrebbero riguardare la visualizzazione dell’estensione dell’osteonecrosi dei mascellari nella CBCT [16].

Anche la diagnosi dei disturbi temporomandibolari di origine anatomica e del carcinoma squamoso delle mucose orali potrebbero beneficiare dall’applicazione di algoritmi di deep learning [17,18].

Prospettive e limiti dell’AI in odontoiatria

I suddetti impieghi rappresentano solo l’inizio dei possibili utilizzi dell’intelligenza artificiale in odontoiatria. Tuttavia, sebbene per vari aspetti questi algoritmi risultino accurati e precisi, trovano alcuni limiti.

Per esempio, l’indicazione da parte dei sistemi di intelligenza artificiale dei punti di riferimento dei tessuti duri e molli nelle aree del menton e del pogonion sulle teleradiografie spesso non risulta accurata, dal momento che la posizione e l’inclinazione del mento sono difficilmente prevedibili con una radiografia o con una foto fatta di profilo [14].

Inoltre, gli step riguardanti la ricostruzione dell’immagine CBCT, il processo di segmentazione e la pianificazione chirurgica risultano ancora passaggi delicati in cui gli algoritmi di deep learning possono commettere errori con conseguenze anche importanti [15].

Risulta inoltre necessario conoscere il meccanismo di funzionamento degli algoritmi [3,4] e, data la complessità di questa nuova tecnologia e le criticità intrinseche riguardo i suoi utilizzi in ambito medico, non è escluso che in futuro possano emergere figure mediche professionali nuove [19].

L’impiego dell’AI in odontoiatria avrà sicuramente un impatto significativo, che andrà però valutato a seconda della branca e dell’applicazione clinica ed extraclinica che i software avranno in questo ambito.

---

Bibliografia

[1]       Ramesh AN, Kambhampati C, Monson JRT, Drew PJ. Artificial intelligence in medicine. Ann R Coll Surg Engl 2004;86:334–8. https://doi.org/10.1308/147870804290.

[2]       Borana J. Applications of Artificial Intelligence & Associated Technologies, 2016.

[3]       Mohammad-Rahimi H, Rokhshad R, Bencharit S, Krois J, Schwendicke F. Deep learning: A primer for dentists and dental researchers. J Dent 2023;130:104430. https://doi.org/10.1016/j.jdent.2023.104430.

[4]       Ducret M, Mörch C-M, Karteva T, Fisher J, Schwendicke F. Artificial intelligence for sustainable oral healthcare. J Dent 2022;127:104344. https://doi.org/10.1016/j.jdent.2022.104344.

[5]       König IR, Fuchs O, Hansen G, von Mutius E, Kopp MV. What is precision medicine? Eur Respir J 2017;50:1700391. https://doi.org/10.1183/13993003.00391-2017.

[6]       Schwendicke F, Krois J. Data Dentistry: How Data Are Changing Clinical Care and Research. J Dent Res 2022;101:21–9. https://doi.org/10.1177/00220345211020265.

[7]       Park JH, Kim Y-J, Kim J, Kim J, Kim I-H, Kim N, et al. Use of artificial intelligence to predict outcomes of nonextraction treatment of Class II malocclusions. Seminars in Orthodontics 2021;27:87–95. https://doi.org/10.1053/j.sodo.2021.05.005.

[8]       Mohammad-Rahimi H, Nadimi M, Rohban MH, Shamsoddin E, Lee VY, Motamedian SR. Machine learning and orthodontics, current trends and the future opportunities: A scoping review. American Journal of Orthodontics and Dentofacial Orthopedics 2021;160:170-192.e4. https://doi.org/10.1016/j.ajodo.2021.02.013.

[9]       Mohammad-Rahimi H, Motamedian SR, Rohban MH, Krois J, Uribe SE, Mahmoudinia E, et al. Deep learning for caries detection: A systematic review. Journal of Dentistry 2022;122:104115. https://doi.org/10.1016/j.jdent.2022.104115.

[10]     Sadr S, Mohammad-Rahimi H, Motamedian SR, Zahedrozegar S, Motie P, Vinayahalingam S, et al. Deep Learning for Detection of Periapical Radiolucent Lesions: A Systematic Review and Meta-analysis of Diagnostic Test Accuracy. Journal of Endodontics 2023;49:248-261.e3. https://doi.org/10.1016/j.joen.2022.12.007.

[11]     Revilla-León M, Gómez-Polo M, Barmak AB, Inam W, Kan JYK, Kois JC, et al. Artificial intelligence models for diagnosing gingivitis and periodontal disease: A systematic review. The Journal of Prosthetic Dentistry 2022. https://doi.org/10.1016/j.prosdent.2022.01.026.

[12]     Mohammad-Rahimi H, Motamedian SR, Pirayesh Z, Haiat A, Zahedrozegar S, Mahmoudinia E, et al. Deep learning in periodontology and oral implantology: A scoping review. Journal of Periodontal Research 2022;57:942–51. https://doi.org/10.1111/jre.13037.

[13]     Revilla-León M, Gómez-Polo M, Vyas S, Barmak BA, Galluci GO, Att W, et al. Artificial intelligence applications in implant dentistry: A systematic review. J Prosthet Dent 2023;129:293–300. https://doi.org/10.1016/j.prosdent.2021.05.008.

[14]     Farook TH, Rashid F, Ahmed S, Dudley J. Clinical machine learning in parafunctional and altered functional occlusion: A systematic review. J Prosthet Dent 2023:S0022-3913(23)00051-3. https://doi.org/10.1016/j.prosdent.2023.01.013.

[15]     Minnema J, Ernst A, van Eijnatten M, Pauwels R, Forouzanfar T, Batenburg KJ, et al. A review on the application of deep learning for CT reconstruction, bone segmentation and surgical planning in oral and maxillofacial surgery. Dentomaxillofacial Radiology 2022;51. https://doi.org/10.1259/dmfr.20210437.

[16]     Wongratwanich P, Shimabukuro K, Konishi M, Nagasaki T, Ohtsuka M, Suei Y, et al. Do various imaging modalities provide potential early detection and diagnosis of medication-related osteonecrosis of the jaw? A review. Dentomaxillofacial Radiology 2021;50. https://doi.org/10.1259/dmfr.20200417.

[17]     Jha N, Lee K, Kim Y-J. Diagnosis of temporomandibular disorders using artificial intelligence technologies: A systematic review and meta-analysis. PLOS ONE 2022;17:e0272715. https://doi.org/10.1371/journal.pone.0272715.

[18]     Alabi RO, Youssef O, Pirinen M, Elmusrati M, Mäkitie AA, Leivo I, et al. Machine learning in oral squamous cell carcinoma: Current status, clinical concerns and prospects for future—A systematic review. Artificial Intelligence in Medicine 2021;115:102060. https://doi.org/10.1016/j.artmed.2021.102060.

[19]     Cussat-Blanc S, Castets-Renard C, Monsarrat P. Doctors in Medical Data Sciences: A New Curriculum. International Journal of Environmental Research and Public Health 2023;20:675. https://doi.org/10.3390/ijerph20010675.