Analisi della placca dentale microbica nei denti permanenti giovani utilizzando il deep learning

La placca dentale è definita come una comunità microbica incorporata in una matrice composta da polimeri derivati ​​da batteri e dal contenuto di saliva che si sviluppa sulla superficie dei denti. La placca dentale microbica viene assorbita sulla superficie del dente entro pochi secondi dalla pulizia dentale e persiste funzionalmente. Queste molecole esistono principalmente nel fluido del solco sottogengivale, insieme alla saliva, e dimostrano un insediamento in quest'area. Il principale fattore eziologico della gengivite e della parodontite è la placca batterica, che può portare alla distruzione dei tessuti gengivali e dell’attacco parodontale. Nei bambini, se l’igiene orale non viene stabilita immediatamente dopo l’eruzione del dente e non vengono instillate abitudini regolari di spazzolamento, lo strato di biofilm batterico può depositarsi sulle superfici dei denti e sui margini gengivali associati all’ambiente orale, dando inizio all’infiammazione gengivale.

La diagnosi precoce e il trattamento delle malattie parodontali nelle fasi iniziali nei bambini sono clinicamente importanti, poiché queste condizioni possono intensificarsi e portare a esiti avversi nei periodi successivi. La placca batterica è il principale fattore eziologico delle malattie gengivali nei bambini. Identificare e distinguere la placca microbica dentale da parte dei pazienti può essere difficile. Le placche possono essere rilevate attraverso la pratica clinica di routine utilizzando sonde parodontali e/o soluzioni rivelatrici di placca. Sebbene questi metodi siano ampiamente utilizzati, possono produrre risultati soggettivi. Tuttavia, questi metodi di valutazione possono essere macchinosi, dispendiosi in termini di tempo e infruttuosi nei bambini non collaborativi. Inoltre, le soluzioni rivelatrici di placca utilizzate per il rilevamento della placca microbica dentale possono macchiare temporaneamente la mucosa orale e le labbra. La letteratura include anche analisi di imaging digitale come la spettroscopia di autofluorescenza indotta da laser e lo spazio colore HIS per il rilevamento della placca dentale microbica. Tuttavia, gli inconvenienti, come il costo elevato delle attrezzature e la standardizzazione tecnica, ne limitano l’utilizzo.

Per questi motivi, questo studio mira a sviluppare un modello di intelligenza artificiale (AI) conveniente e facilmente accessibile per la diagnosi precoce e accurata della placca dentale microbica nei bambini. L'obiettivo è prevenire vari problemi parodontali e fornire motivazione per l'igiene orale valutando le prestazioni diagnostiche e di rilevamento di questo modello di intelligenza artificiale.

Con i progressi nell’intelligenza artificiale per l’elaborazione delle immagini, la ricerca sul rilevamento, la segmentazione e la quantificazione della placca dentale nelle immagini catturate dalle telecamere dentali è aumentata in modo significativo. Uno studio ha tentato di rilevare la placca dentale utilizzando un algoritmo di apprendimento automatico Enhanced K-Means. Inoltre, è stata sviluppata una piattaforma Internet of Things (IoT) per la salute dentale basata su Mask R-CNN per classificare sette diverse malattie orali, inclusa la placca dentale, con un tasso di precisione perfetto per il riconoscimento della placca, sebbene non per la segmentazione.

Sebbene il modello U-Net sia ampiamente considerato di successo e mainstream nel campo dell’elaborazione delle immagini biomediche, non esistono studi in letteratura sull’analisi della placca dentale con U-Net e le sue varianti. Inoltre, non sono stati riscontrati studi riguardanti l’analisi della placca dentale nei denti permanenti giovani dei bambini. Pertanto, questo studio tenta di addestrare sei modelli di intelligenza artificiale all’avanguardia, incorporando variazioni del modello U-Net, allo scopo di prevedere la placca dentale nei giovani denti permanenti dei bambini. Successivamente, le loro performance vengono meticolosamente riassunte e presentate per un'analisi completa. Infine, per validare la fattibilità clinica del modello più performante, vengono eseguiti test di ipotesi statistiche che confrontano le previsioni del modello AI con le valutazioni di tre dentisti.