Tele-Cranio: A CT-free AI Solution for Remote Diagnosis and Planning of Craniomaxillofacial Deformities

Riepilogo Tecnico: Tele-Cranio

Problematica

La cura delle deformità cranio-mascellari (CMF) si affida pesantemente alla Tomografia Computerizzata (TC) o alla Cone-Beam CT (CBCT) per la diagnosi scheletrica definitiva e la pianificazione chirurgica. Tuttavia, questa dipendenza crea barriere significative per la valutazione remota, il follow-up longitudinale e la comunicazione con il paziente, in particolare per la popolazione pediatrica. La necessità di un'imaging legato alle strutture ospedaliere e ad alta dose di radiazioni per ogni fase dell'assistenza — dallo screening iniziale al monitoraggio postoperatorio — impone oneri economici, inaccessibilità geografica e rischi cumulativi da radiazioni. Sebbene il deep learning abbia fatto progressi nella ricostruzione 3D del volto da immagini 2D, i metodi esistenti sono limitati dalla loro dipendenza da pipeline 3D-to-3D (che richiedono scanner o TC) e dal loro addestramento su dataset di soggetti normali, risultando inefficaci per le complesse variazioni morfologiche presenti nelle deformità CMF (ad esempio, labio palato bivulva, microfia semifacciale). Esiste una lacuna critica in strumenti privi di radiazioni e indipendenti dall'attrezzatura, capaci di inferire la morfologia scheletrica partendo da dati superficiali per supportare il triage remoto e la comunicazione con il paziente senza sostituire la pianificazione definitiva basata su TC.

Metodologia

Gli autori propongono Tele-Cranio, un framework di IA progettato per ricostruire la morfologia facciale 3D, inferire le strutture scheletriche sottostanti e simulare gli esiti postoperatori utilizzando esclusivamente fotografie facciali 2D acquisite tramite dispositivi mobili. Il sistema opera attraverso un flusso di lavoro clinico in tre fasi:

1. Costruzione delle Risorse Dati
È stato costruito un dataset multi-istituzionale di 539 campioni accoppiati, composto da fotografie cliniche 2D, scansioni facciali 3D con texture (3dMD) e modelli scheletrici derivati da alta risoluzione TC. La coorte include 205 controlli normali e 334 pazienti con diverse deformità CMF (malocclusione, labio palato bivulva, microfia semifacciale e anomalie rare). È stata eseguita una registrazione rigorosa da parte di chirurghi senior per garantire la corrispondenza a livello di vertice tra le superfici dei tessuti molli e quelle scheletriche, creando una base di consistenza topologica per l'addestramento.

2. Fase I: Ricostruzione Facciale 3D Consapevole della Deformità
Il flusso di lavoro inizia convertendo fotografie facciali 2D multi-view acquisite tramite smartphone in una superficie facciale 3D a topologia consistente.

• Elaborazione dell'Input: Le immagini vengono sottoposte a normalizzazione tramite RetinaFace per il rilevamento dei landmark e trasformazione affine in un sistema di coordinate canonico.
• Ricostruzione: Viene impiegato un Modello Morfabile 3D parametrico (3DMM), dove un encoder profondo predice i coefficienti di geometria, albedo, posa e illuminazione.
• Raffinamento: Un modulo di raffinamento ottimizza la ricostruzione grossolana iniziale minimizzando una perdita di riproiezione dei landmark multi-view pesata sui residui, guidata da un rilevatore di landmark perfezionato su casi di deformità. Ciò produce una superficie facciale 3D raffinata ($F_{refine}$).

3. Fase II: Inferenza Cross-Modale tramite BCM-D
Il motore di inferenza centrale è il Bidirectional Craniomaxillofacial Model-Deformity (BCM-D).

• Architettura: Il BCM-D utilizza una formulazione di spazio latente condiviso. Applica l'Analisi delle Componenti Principali (PCA) ai vettori concatenati della geometria faccia-cranio per apprendere una base geometrica congiunta ($B_{BCM-D}$) che cattura l'accoppiamento statistico tra i tessuti molli facciali e l'osso cranico attraverso morfologie normali e patologiche.
• Inferenza Face-to-Skull: Dato il volto 3D ricostruito ($V_f^{refine}$), il modello stima il vettore dei coefficienti latenti condivisi ($\alpha_{BCM-D}$) minimizzando l'errore di proiezione rispetto alla componente facciale della base. Questo coefficiente viene poi applicato alla componente scheletrica per inferire la morfologia cranica specifica del paziente ($V_s^{pred}$).
• Inferenza Skull-to-Face: Viceversa, data una geometria scheletrica pianificata ($V_s^{plan}$), il modello inferisce il coefficiente latente corrispondente per predire la superficie facciale postoperatoria ($V_f^{pred}$).

4. Fase III: Simulazione Inversa Condizionata dalla Chirurgia
Per supportare le discussioni sulla pianificazione chirurgica, il sistema esegue una simulazione inversa. I clinici definiscono le modifiche scheletriche (ad esempio, osteotomie) utilizzando strumenti di pianificazione standard. Queste modifiche scheletriche pianificate vengono passate attraverso il percorso skull-to-face del BCM-D per generare un'anteprima facciale postoperatoria specifica del paziente. Un campo di spostamento residuo viene ottimizzato per preservare le relazioni di spessore dei tessuti locali derivate dai dati preoperatori, fondendo il prior statistico con i vincoli anatomici specifici del paziente.

Risultati Chiave

Il sistema è stato validato su eterogenei sottogruppi CMF utilizzando metriche tra cui l'Errore Quadratico Medio (RMSE), la distanza di Chamfer e la Recall@3 mm.

• Ricostruzione Facciale 3D (Fase I): Il modulo consapevole della deformità ha raggiunto un RMSE complessivo di 1,95 ± 0,40 mm rispetto alle scansioni di riferimento 3dMD. Le prestazioni sono state massime nei controlli normali (RMSE 1,7 mostrato come 1,78 mm) e nei casi di malocclusione, con errori leggermente superiori nei casi di labio palato bivulva (CL/P) e deformità non classificate a causa della discontinuità del tessuto locale e delle cicatrici.
• Inferenza Intrinseca 3D-to-3D (BCM-D): Quando fornito con scansioni facciali 3D di ground-truth, il BCM-D ha dimostrato un'elevata accuratezza bidirezionale, ottenendo un RMSE di 1,12 ± 0,13 mm per l'inferenza face-to-skull e 1,17 ± 0,13 mm per la simulazione skull-to-face.
• Prestazioni End-to-End (Foto 2D $\to$ Cranio): Nel workflow completo (foto 2D $\to$ volto 3D $\to$ cranio 3D), il sistema ha raggiunto un RMSE complessivo di 1,99 ± 0,39 mm e una Recall@3 mm di 0,78. Gli errori si sono propagati dalla fase di ricostruzione dell'immagine, risultando in deviazioni maggiori nei gruppi di deformità complessi (CL/P, HFM) rispetto ai casi normali o di malocclusione.
• Simulazione Inversa (Fase III): In uno studio su 42 pazienti sottoposti a chirurgia bimaxillare, le predizioni facciali postoperatorie di Tele-Cranio hanno mostrato un errore di distanza superficiale globale inferiore (1,16 ± 0,65 mm) rispetto allo standard commerciale ProPlan CMF (1,48 ± 0,83 mm) utilizzando identici input di pianificazione scheletrica. Tuttavia, gli errori residui sono rimasti nelle regioni periorali (ad esempio, filtro, bordo del vermiglio) dove il tessuto cicatriziale e la complessa dinamica muscolare sfidano la modellazione.

Significato e Rivendicazioni

L'articolo posiziona Tele-Cranio non come un sostituto della diagnosi definitiva basata su TC o della pianificazione chirurgica, ma come uno strumento aggiuntivo, privo di radiazioni e accessibile per fasi specifiche del continuum di cura CMF.

• Utilità Clinica: Il sistema consente il triage remoto, la consulenza pre-TC e la visualizzazione dei possibili esiti per il paziente, riducendo la necessità di viaggi inutili ed esposizione alle radiazioni durante lo screening e il follow-up.
• Accessibilità: Decoupling (disaccoppiando) la valutazione preliminare dalle apparecchiature radiologiche su larga scala, Tele-Cranio estende la valutazione morfologica orientata allo specialista verso contesti con risorse limitate o geograficamente remoti.
• Prior Statistici basati sui Dati: Lo studio dimostra che i modelli di deep learning addestrati su dataset ricchi di patologie possono apprendere il complesso accoppiamento biomeccanico tra tessuti molli e ossa, anche in presenza di gravi deformità, a condizione che siano disponibili dati accoppiati di alta qualità.
• Ambito Modesto: Gli autori dichiarano esplicitamente che i modelli scheletrici generati sono "riferimenti anatomici visivi preliminari" adatti alla comunicazione e alla discussione della pianificazione, ma non catturano l'architettura ossea volumetrica o le patologie interne. Di conseguenza, la TC o la CBCT rimangono obbligatorie per la pianificazione di grado operativo, il design delle osteotomie e la valutazione del rischio.

Il lavoro stabilisce una prova di concetto per una "modalità contactless e priva di radiazioni" che integra i flussi di lavoro tradizionali, mirando a migliorare l'aderenza del paziente, la comunicazione e l'efficienza della cura CMF, pur riconoscendo i limiti dell'inferenza basata sulla superficie nei casi patologici complessi.