Accuratezza dell'intelligenza artificiale nella valutazione della relazione tra terzo molare mandibolare e canale mandibolare su CBCT

L'estrazione del terzo molare mandibolare, considerato uno degli interventi chirurgici più comuni in ambito orale e maxillo-facciale, può essere associato a diverse complicanze postoperatorie, come dolore, sanguinamento, gonfiore e lesione del nervo alveolare inferiore (IAN) o danno completo, compromettendo la qualità di vita dei pazienti affetti. L'incidenza della lesione temporanea del NAI causata dall'estrazione del terzo molare mandibolare era dello 0,4-8,4%, mentre l'incidenza di lesioni permanenti è inferiore all'1% [1, 2]. Tuttavia, a causa dell'elevato numero di terzi molari mandibolari inclusi, un gran numero di pazienti soffre di lesioni del NAI causate dall'estrazione del terzo molare mandibolare incluso [3]. Il fattore di rischio più significativo di lesione del NAI causata dall'estrazione del terzo molare mandibolare è la vicinanza della radice del terzo molare mandibolare al canale mandibolare [1, 2, 4, 5]. Pertanto, un'analisi e una valutazione preoperatoria complete delle strutture anatomiche sono essenziali prima dell'estrazione del terzo molare mandibolare per ridurre il rischio di lesioni del NAI.

La radiografia panoramica non è molto accurata nel mostrare la relazione tra l'estrazione del terzo molare mandibolare impattato e il NAI a causa della sovrapposizione e dei limiti intrinseci. L'accuratezza della previsione della probabilità di lesione (IAN) durante l'estrazione del terzo molare mandibolare impattata utilizzando radiografie panoramiche è stata controversa [6].

La tomografia computerizzata a fascio conico (CBCT), modalità di imaging A (3D), fornisce informazioni 3D accurate con una dose di radiazioni ridotta rispetto alla TC medica [7]. È stato dimostrato che la CBCT era un metodo radiografico migliore e accurato rispetto alla radiografia panoramica per valutare la relazione tra terzo molare mandibolare e (IAN) [6, 8]. Pertanto, la CBCT è stata considerata la modalità di scelta per la valutazione preoperatoria dell'estrazione complicata del terzo molare mandibolare [9].

Il deep learning, uno dei sottoinsiemi dell'intelligenza artificiale, ha avuto una rapida progressione e ha un ruolo significativo in campo medico. Recentemente è stato studiato uno dei modelli di deep learning, l'apprendimento guidato della rete neurale convoluzionale (CNN), che ha dimostrato di superare il livello di giudizio umano in molti campi di imaging medico [12, 13]. Dopo che la CNN è stata introdotta nel campo maxillo-facciale, è stata utilizzata per la valutazione, il rilevamento, la categorizzazione e la segmentazione delle strutture anatomiche circostanti. il rilevamento e la segmentazione del canale su radiografie panoramiche e CBCT [15, 18, 30], la classificazione e stadiazione dello sviluppo [31, 32] e le misurazioni di approssimazione del terzo molare mandibolare impattato su radiografie panoramiche [33]. Fukuda et al. ha confrontato 3 CNN per la classificazione del terzo molare mandibolare impattato e della relazione del canale mandibolare con radiografie panoramiche [34]. Yoo et al. ha proposto un approccio basato sulla CNN per valutare lo stallo dell'estrazione del terzo molare mandibolare impattato utilizzando radiografie panoramiche [35]. Quindi, come accennato in precedenza, la radiografia panoramica non può descrivere accuratamente le strutture anatomiche a causa della sovrapposizione che avviene nelle modalità di imaging (2D). Orhan et al. riportato un'applicazione AI (Diagnocat, Inc.) basata su CNN con elevata precisione nel rilevamento dell'M3 e valutazione del numero di radici relative alle strutture anatomiche adiacenti