Rilevamento della sinusite mascellare di origine endodontica in immagini CBCT cone‑beam mediante algoritmi di deep learning

Quando i problemi ai denti raggiungono i seni paranasali

Naso chiuso ricorrente o pressione facciale vengono spesso attribuiti ad allergie o raffreddori, ma una quota sorprendente dei disturbi sinusali ha origine nei denti posteriori infetti. Questo studio esplora come l’intelligenza artificiale possa leggere le scansioni dentali 3D per individuare quando la sinusite è collegata a infezioni radicolari, aiutando odontoiatri e medici a identificare la causa corretta più rapidamente e con maggiore sicurezza.

Perché i problemi dei seni e dei denti sono collegati

I seni mascellari si trovano subito sopra i denti superiori posteriori, separati solo da uno strato sottile di osso. Quando il tessuto interno di questi seni si infiamma o si ispessisce, le persone possono sviluppare congestione cronica, dolore o una sensazione di pienezza nella guancia. In molti casi un’infezione dentale all’apice della radice irrita la mucosa sinusale vicina, ma i sintomi possono assomigliare a un comune disturbo dei seni e il dente può sembrare silente. Questo rende difficile, anche per clinici esperti, stabilire se la sinusite sia provocata da una patologia dentale, da altre cause dei seni, o se il seno sia in realtà normale.

Come le scansioni dentali 3D offrono una visione più chiara

La tomografia computerizzata a fascio conico, o CBCT, è una scansione 3D dentale che mostra in dettaglio osso e tessuti molli a una dose di radiazione relativamente bassa. Può rivelare cambiamenti sottili attorno alle radici dentali e nella mucosa sinusale che sfuggono alla TAC medica standard o alle radiografie piane. In questo studio i ricercatori hanno raccolto 70 scansioni CBCT da due cliniche endodontiche e hanno selezionato con cura oltre 5.000 fette bidimensionali da tre angolazioni di visuale: dall’alto (assiale), frontale (coronale) e laterale (sagittale). Odontoiatri esperti e un radiologo orale hanno rivisto ogni scansione concordando su quali immagini mostrassero un seno normale, quali mostrassero sinusite collegata a una radice dentaria malata e quali mostrassero sinusite dovuta ad altre cause non dentali.

Insegnare al computer a leggere le immagini

Prima di addestrare il loro sistema di deep learning, il team ha pulito e migliorato le immagini. Hanno standardizzato le dimensioni, ridotto il rumore e le strie metalliche e accentuato i contorni in modo che le strutture chiave risaltassero. Hanno inoltre utilizzato un tipo di modello generativo per creare immagini di addestramento aggiuntive e di alta qualità, rendendo il set di dati più ricco e vario. La pipeline computazionale ha poi seguito diversi passaggi. In primo luogo ha imparato a riconoscere da ogni fetta quale angolazione mostrasse. Successivamente una fase di segmentazione ha imparato a delineare tre regioni chiave: le radici dentali, la cavità del seno e la sottile mucosa. Infine, reti specializzate hanno esaminato ogni vista per estrarre pattern correlati alla malattia, e un modello “multi‑view” ha combinato le informazioni delle tre angolazioni per decidere se il seno fosse normale, interessato da un problema radicolare dentale o coinvolto da altra patologia sinusale.

Come si è comportato il sistema

I ricercatori hanno testato i loro modelli su immagini tenute da parte e su un set completamente separato di 738 fette CBCT provenienti da pazienti nuovi. Il classificatore di vista ha quasi mai confuso le tre angolazioni. La fase di segmentazione ha delineato radici, spazio sinusale e mucosa con un’alta sovrapposizione rispetto alle marcature degli esperti in tutte e tre le viste. Ciascun classificatore monovista aveva già raggiunto elevata accuratezza, ma la rete multi‑view che fondeva tutte e tre le prospettive ha ottenuto le prestazioni migliori. Sia nel set di test sia nei dati esterni, ha etichettato correttamente ogni caso nelle tre categorie, corrispondendo al giudizio combinato del panel di esperti. Gli autori hanno adottato diverse misure per evitare l’overfitting, inclusa la suddivisione dei dati per paziente, una data augmentation accurata e tecniche di regolarizzazione, per rendere il sistema più incline a generalizzare oltre il campione dello studio.

Cosa potrebbe significare per i pazienti

Per i clinici, questa pipeline automatizzata potrebbe fungere da instancabile secondo lettore che evidenzia le sinusiti correlate alle radici, mappa la morfologia del seno e mostra quanto le radici infette si avvicinino al pavimento del seno. Un tale supporto può aiutare a pianificare terapie canalari, decidere come gestire sintomi sinusali persistenti e orientare interventi implantari o di rialzo del seno. Sebbene lo studio attuale lavori su fette 2D da un campo visivo limitato e necessiti ancora di test più ampi in ulteriori cliniche e scanner, pone una solida base per futuri strumenti in grado di analizzare scansioni 3D complete. In termini semplici, il lavoro dimostra che un’IA costruita con cura può identificare in modo affidabile quando i problemi sinusali sono legati alle radici dentali, offrendo un percorso più chiaro dal vago fastidio facciale alla reale fonte del problema.

Citazione: Sherif, O.A.S., Taha, N.S., Fahmy, A.M. et al. Detection of maxillary sinusitis of endodontic origin in cone-beam CT images using deep learning algorithms. Sci Rep 16, 16254 (2026). https://doi.org/10.1038/s41598-026-52147-w

Parole chiave: sinusite mascellare, sinusite odontogena, cone beam CT, deep learning, imaging dentale