AI Valutazione della salute delle gengive con lo smartphone

I. Introduzione Le malattie dentali più diffuse sono la carie (carie) e le malattie gengivali (gengiviti e parodontiti). È evidente che queste malattie sono causate dalla placca dentale (biofilm batterico) [1]-[3]. Sebbene la maggior parte dei pazienti si lavi i denti ogni giorno, non riescono a mantenere tutti i denti puliti. Le aree della bocca a cui è difficile accedere, come le aree affollate, i denti posteriori o le aree interdentali, sono solitamente interessate (specifiche del sito) [4]. Dopo un'accurata pulizia professionale dei denti, entro pochi giorni la placca inizierà ad accumularsi sulla superficie dei denti vicino al bordo della gengiva. Studi clinici indicano che sono necessarie interruzioni regolari della placca e possono prevenire e arrestare le malattie gengivali [5]. Tuttavia, le malattie dentali possono richiedere anni per svilupparsi, il paziente di solito non presenta alcun sintomo di dolore [6] a meno che la malattia non sia progredita allo stadio avanzato. Una notevole quantità di risorse e tempo clinico sono stati utilizzati per motivare e istruire i pazienti a mantenere la bocca pulita e tuttavia i risultati non sono soddisfacenti. È auspicabile adottare una tecnica automatizzata per il monitoraggio quotidiano della salute orale in modo da poter cercare il trattamento quando è necessario.

La risposta dei pazienti alla placca accumulata sul margine gengivale è l'infiammazione che porta più cellule del sangue nel sito per combattere l'invasione batterica [7]. L'infiammazione della gengiva si manifesta come aumento del rossore (colore), aumento del volume (edema) e perdita delle caratteristiche superficiali (punteggiatura; attaccamento delle fibre gengivali) [8]. Questi siti malati possono essere identificati mediante esame visivo dei dentisti. Inoltre, questi cambiamenti infiammatori della gengiva possono essere riconosciuti anche dalla fotografia intraorale. L'obiettivo di questa ricerca è applicare tecniche di intelligenza artificiale (AI) per rilevare l'infiammazione delle gengive dalle fotografie intraorali. Poiché il sito di infiammazione bersaglio è al margine gengivale con forma e dimensioni diverse, è necessaria la segmentazione semantica a livello di pixel. Per questa ricerca, abbiamo svolto alcuni lavori di ricerca preliminari. La rete codificatore-decodificatore DeepLabv3+ [9] con un backbone leggero MobileNetV2 [10] è stata adottata per eseguire la segmentazione semantica in pixel dell'infiammazione gengivale dalle fotografie intraorali. Le fotografie sono indicizzate da uno specialista dentale con più di 15 anni di esperienza clinica per ottenere le immagini della categoria indice per la formazione in rete.

II. Lavoro svolto da altri Il primo tentativo di segmentazione automatizzata delle malattie gengivali da immagini intraorali con approccio di deep learning è proposto in [11]. Adotta un'architettura di rete autoencoder con rete neurale a convoluzione profonda. Il set di dati utilizzato comprende 405 immagini di biomarcatori intraorali con aumento del colore provenienti da 150 individui. Le aree di infiammazione gengivale sono state etichettate dal dentista e la rete addestrata può prevedere l'infiammazione con un'area sotto la curva caratteristica operativa del ricevitore (AUC) 0,746. I valori di precisione e richiamo sono rispettivamente 0,347 e 0,621. La rete è stata addestrata con l'etichettatura sulla gengiva malata. Alcuni calcoli sui denti sono stati anche previsti come gengiva malata poiché il suo colore giallastro è tecnicamente vicino a quello della gengiva malata. Inoltre, anche alcune parti dell'area gengivale non interessata sono state previste come gengive malate. La segmentazione complessiva non è soddisfacente.

III. I nostri lavori preliminari Per lo studio preliminare sono state raccolte le fotografie intraorali di pazienti della Facoltà di Odontoiatria dell'Università di Hong Kong (HKU), sottoposti a trattamento parodontale. Lo studio è stato approvato dal comitato di revisione istituzionale di HKU (UW20-230). Sono state raccolte in totale 110 fotografie intraorali standard con diverse risoluzioni. Vengono ritagliate manualmente in diverse immagini più piccole e le etichette di destinazione occupano l'immagine più grande possibile, il che è molto vantaggioso per l'addestramento. La dimensione dell'immagine ritagliata è unificata a 512×512. Il set di dati completato è diviso in due set, rispettivamente 337 immagini per l'addestramento e 110 immagini per la convalida. Considerando che ci sono più immagini corrispondenti a un paziente, quindi quando si divide il set di dati, l'immagine dello stesso paziente non apparirà nei due set di dati divisi. Sono etichettati in quattro livelli di stato di salute (sano, sano discutibile, malato discutibile e malato) e verificati da uno specialista dentale con più di 15 anni di esperienza clinica. L'architettura di segmentazione semantica proposta si basa sulla rete DeepLabv3+ con Xception e MobileNetV2 come spina dorsale. I risultati sperimentali mostrano l'efficacia del sistema proposto, che mostra la possibile applicazione sull'autocontrollo dentale utilizzando l'app mobile, in particolare durante la pandemia di malattia in cui le visite dai dentisti sono difficili o addirittura impossibili. Il modello di rete proposto può prevedere il contorno dell'area gengivale interessata. I risultati dell'esperimento mostrano che il modello di segmentazione proposto può dividere accuratamente la maggior parte dell'area di infiammazione gengivale in quattro categorie. Il mioU è 0,3514. Si ritiene che espandendo il set di dati e ottimizzando la struttura della rete, le prestazioni possano essere ulteriormente migliorate. Il lavoro di ricerca sul preliminare è stato pubblicato in [16].

IV. Questioni chiave e gap di ricerca

R. Non esiste un modello di rete neurale di segmentazione semantica sito-specifica a più livelli per il rilevamento automatico dell'infiammazione gengivale dalla fotografia intraorale.

B. Non esiste un set di dati di addestramento ben etichettato per l'applicazione del rilevamento automatico dell'infiammazione gengivale dalla fotografia intraorale.

Riferimento:

1. J.K. Clarke, "Sul fattore batterico nell'eziologia della carie dentale", rivista britannica di patologia sperimentale, vol. 5, n. 3, pagg. 141-147, 1924.
2. SS Socransky, AD Haffajee, "L'eziologia batterica della malattia parodontale distruttiva: concetti attuali", Journal of parodontology. vol. 63, pagg. 322-331, 1992.
3. WF Liljemark, C. Bloomquist, "Ecologia microbica orale umana e carie dentale e malattie parodontali", Critical Reviews in Oral Biology & Medicine. vol. 7, n. 2, pagg. 180-198, 1996.
4. HJ Breen, NW Johnson, PA Rogers, "Cambiamento del livello di attacco sito-specifico rilevato dal sondaggio fisico nella parodontite cronica dell'adulto non trattata: revisione degli studi 1982-1997", Journal of parodontology, vol. 70, n. 3, pagg. 312-328, 1999.
5. H. Löe, "Igiene orale nella prevenzione della carie e della malattia parodontale", International dental journal, vol. 50, n. 3, pagg. 129-139, 2000.
6. L. Croxson, "Consapevolezza parodontale: la chiave per la salute parodontale", Rivista dentale internazionale, vol. 43, (2 Suppl 1) pp. 167-177, 1993.
7. R. Genco, J. Slots, "Risposte dell'ospite Risposte dell'ospite nelle malattie parodontali", Journal of dental research, vol. 63, n. 3, pagg. 441-451, 1984.
8. G.C. Armitage, "Valutazione clinica delle malattie parodontali", Periodontology 2000, vol. 7, n. 1, pp. 39-53, 1995.
9. LC Chen, Y. Zhu, G. Papandreou, F. Schroff e H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation", in Atti della conferenza europea sulla visione artificiale (ECCV), 2018, pp. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov e L. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks", Conferenza IEEE/CVF 2018 su Computer Vision and Pattern Recognition, Salt Lake City, UT, USA , 2018, pp. 4510-4520.
11. A. Rana, G. Yauney, LC Wong, O. Gupta, A. Muftu e P. Shah, "Segmentazione automatizzata delle malattie gengivali da immagini orali", in 2017 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, USA, 2017, pp . 144-147.
12. O. Ronneberger, P. Fischer, T. Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation", in 18th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, pp. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens e Q.V. Le, "Learning Transferable Architectures for Scalable Image Recognition", in 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 2018, pp. 8697-8710.
14. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions", in 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 1800-1807.
15. MX Abbronzatura e Q.V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", in Atti della 36a Conferenza internazionale sull'apprendimento automatico, PMLR, 2019, vol. 97, pagg. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B.W.-K. Ling, W.Y.-H. Lam, G. Pelekos e C. McGrath, "Automatic Site-Specific multiple level gum disease detection based on deep neural network", nel 2021 15° Simposio internazionale sulla tecnologia dell'informazione medica e della comunicazione (ISMICT) (ISMICT2021), Xiamen, Cina, apr. 2021.