Segmentazione multidimensionale basata su deep learning e valutazione volumetrica del fluido del seno sfenoidale su TC postmortem nei casi di annegamento

Perché conta oltre la sala autoptica

Quando una persona viene trovata morta in acqua, anche medici legali esperti faticano a stabilire con certezza se la morte sia dovuta realmente all’annegamento oppure a un evento precedente. Un indizio sottile è il fluido che si accumula in una piccola cavità aerata profonda dietro il naso, chiamata seno sfenoidale. Misurare quel fluido sulle TC postmortem potrebbe aiutare, ma farlo manualmente è lento e dipende molto dall’operatore che interpreta le immagini. Questo studio esplora se le moderne tecniche di computer vision possono individuare e misurare automaticamente quel fluido, offrendo un supporto più rapido e coerente nelle complesse indagini sugli annegamenti.

Una cavità nascosta con indizi importanti

Nei casi di annegamento, il fluido spesso penetra nei seni paranasali, piccole camere nelle ossa del viso. Il seno sfenoidale, riposto in profondità nel cranio, è particolarmente interessante perché il fluido raccolto lì può essere analizzato per alghe microscopiche e per i livelli di sali che suggeriscono se la persona abbia annegato in acqua dolce o salata. Studi precedenti hanno mostrato che le TC effettuate dopo la morte possono approssimare i volumi di fluido poi riscontrati all’autopsia. Tuttavia, per ottenere quei numeri gli esperti hanno dovuto delineare la regione di fluido fetta per fetta su computer — un compito tedioso, difficile da standardizzare e impraticabile su grandi serie di casi.

Insegnare ai computer a riconoscere il fluido

Il team di ricerca si è rivolto a una famiglia di sistemi di analisi delle immagini ampiamente usati in imaging medico, noti come modelli deep learning in stile U-Net. Hanno raccolto TC postmortem di 165 persone la cui morte per annegamento era stata confermata all’autopsia. Un osservatore esperto ha tracciato manualmente il fluido nel seno sfenoidale per creare una mappa di riferimento da cui i computer potevano apprendere. I casi sono stati suddivisi in gruppi per l’addestramento, la validazione e il test, in modo che i modelli venissero valutati su dati non visti prima. Gli scienziati hanno poi costruito tre versioni del sistema: una che esaminava singole fette TC (2D), una che considerava ogni fetta insieme alle sue due adiacenti (2.5D) e una che analizzava piccoli blocchi tridimensionali della testa in un unico passaggio (3D).

Come si sono comportati i modelli

Tutti e tre i modelli sono stati in grado di individuare il fluido del seno sfenoidale sulle TC di test in modo molto simile all’esperto umano. Gli approcci 2D e 2.5D si sono dimostrati i più affidabili nel tracciare la forma e i bordi del fluido, mentre la versione 3D è risultata un po’ meno precisa e più variabile caso per caso. Quando il team ha convertito questi contorni in volumi di fluido reali, le stime automatiche erano nell’ordine di una frazione di millilitro rispetto ai valori di riferimento e le differenze non erano statisticamente significative. I volumi previsti e quelli manuali si muovevano all’unisono, con correlazioni molto forti per tutti e tre i modelli, suggerendo che le misurazioni generate dal computer possono sostituire le misurazioni manuali, laboriose.

Perché ha vinto un approccio mediano

Il modello 2.5D, che considera una fetta insieme alle immediate vicine, ha offerto il miglior equilibrio tra precisione e praticità. Beneficia di un contesto tridimensionale limitato, che lo aiuta a distinguere il vero fluido dall’osso e dai tessuti molli circostanti, evitando però le elevate esigenze computazionali e l’instabilità che possono affliggere i modelli 3D completi — specialmente quando la struttura d’interesse è piccola e compare soltanto in poche fette. Per centri forensi impegnati che potrebbero dover processare molti casi con risorse di calcolo limitate, questa strategia intermedia potrebbe essere la scelta più realistica per un uso routinario.

Cosa significa per le future indagini sulle cause di morte

Per i non specialisti, la conclusione principale è che i computer sono ora in grado di individuare e misurare in modo affidabile una piccola cavità di fluido in profondità nella testa su TC postmortem, con prestazioni molto vicine a quelle di un esperto umano. Lo studio dimostra che tali misurazioni automatizzate possono essere prodotte rapidamente e in modo coerente, aprendo la possibilità di usare i dati TC per supportare la diagnosi di annegamento già prima che inizi l’autopsia. Pur essendo uno studio monocentrico che necessita di convalide più ampie e di estensioni ad altri seni paranasali e a decessi non legati all’annegamento, indica un futuro in cui l’analisi avanzata delle immagini rafforza discretamente le evidenze dietro alcune delle questioni più difficili della medicina forense.

Citazione: Heo, JH., Kim, MJ., Jang, S.J. et al. Multi-dimensional deep learning–based segmentation and volumetric assessment of sphenoid sinus fluid on postmortem CT in drowning cases. Sci Rep 16, 13800 (2026). https://doi.org/10.1038/s41598-026-44094-3

Parole chiave: diagnosi di annegamento, TC postmortem, imaging forense, deep learning, fluido sinusale