La Documentazione Fotografica in Ortodonzia e la Privacy Biometrica: studio sperimentale in silico sull'alterazione fenotipica tramite Intelligenza Artificiale

Introduction Photographic documentation is fundamental in orthodontics, but its digitization exposes sensitive data to biometric privacy risks. Since modern artificial intelligence (AI)-based facial recognition systems render traditional concealment techniques obsolete, it is necessary to develop new periocular anonymization methods that protect patient identity without compromising facial analysis for diagnostic and therapeutic purposes. Aim To evaluate the effectiveness of the generative AI-driven phenotypic alteration technique applied to orthodontic photography, comparing it with traditional methods found in the literature. The study aims to demonstrate how AI can ensure biometric de-identification by acting exclusively on the periocular area, preserving diagnostic landmarks, craniofacial proportions, and patient privacy by preventing re-identification. Materials and Methods An in silico experimental study was conducted on a sample of 50 volunteers with ethnic variability. To maintain a rigorous methodological approach, photographic baselines were created to eliminate compression bias. Seven techniques were generated and compared: five traditional methods via Python scripts (black bar, black circles, black line, eye blur, eye pixelation), a manual skin fill technique performed by a single operator, and AI-driven phenotypic substitution aimed at ethnic distortion. Unrecognizability and the Euclidean distance of landmarks were evaluated using a Python algorithm based on face detection and face recognition models. Results Out of a total of 350 observations, Wilcoxon tests (with Holm correction) and Cochran's Q test confirmed with high statistical significance (p < 0.001) the superiority of AI phenotypic substitution and skin fill, followed by the black bar technique, over the remaining traditional methods across three Euclidean severity thresholds (0.40, 0.50, and 0.60). Descriptive analysis showed that AI and skin fill generated the greatest distortive impact on identity, producing the highest mean Euclidean distances (0.565 and 0.544, respectively), whereas the thin black line (0.364) and black circles (0.384) produced the most minor alterations. Conclusions Traditional concealment methods prove ineffective in countering current facial recognition algorithms based on two-dimensional mapping. AI-driven phenotypic alteration and the skin fill technique represent the safest strategies to protect biometric privacy in orthodontics: they prevent subject re-identification and, by limiting the intervention solely to the periocular area, accurately preserve the diagnostic framework and facial proportions.

Introduzione La documentazione fotografica è fondamentale in ortodonzia, ma la digitalizzazione della stessa espone i dati sensibili a rischi di privacy biometrica. Poiché i moderni sistemi di riconoscimento facciale basati su intelligenza artificiale (IA) rendono obsolete le tecniche di occultamento classiche, è necessario sviluppare nuovi metodi di anonimizzazione perioculare che proteggano l’identità del paziente senza compromettere l'analisi del volto a scopo diagnostico-terapeutico. Scopo dello studio Valutare l'efficacia della tecnica di alterazione fenotipica tramite IA generativa applicata alla fotografia ortodontica, confrontandola con i metodi tradizionali presenti in letteratura. Lo studio mira a dimostrare come l'IA possa garantire la de-identificazione biometrica agendo esclusivamente sull'area perioculare, preservando i punti di repere diagnostici, proporzioni cranio-facciali e la privacy del paziente, impedendone la re-identificazione. Materiali e metodi Lo studio sperimentale in silico è stato eseguito su un campione di 50 volontari con variabilità etnica. Per mantenere un approccio metodologico sono stati creati dei baseline fotografici per azzerare i bias di compressione, generate e confrontate sette tecniche: cinque tradizionali tramite script Python (barra nera, cerchi neri, riga nera, blur occhi, pixel occhi), lo skin fill con tecnica manuale eseguita da un singolo operatore e la sostituzione fenotipica con IA mirata alla distorsione etnica. La non-riconoscibilità e la distanza euclidea dei landmarks sono state valutate con un algoritmo Python utilizzando i modelli face detection e face recognition. Risultati Su un totale di 350 osservazioni, i test di Wilcoxon (con correzione di Holm) e il test Q di Cochran hanno confermato in modo altamente significativo (p < 0.001) la superiorità della sostituzione fenotipica con IA e dello skin fill, seguiti dalla tecnica barra nera, rispetto ai restanti metodi tradizionali, attraverso tre soglie di severità euclidea (0.40, 0.50, 0.60). L'analisi descrittiva mostra che l'IA e lo skin fill generano il maggior impatto distorsivo sull'identità, con le distanze euclidee medie più elevate (rispettivamente 0.565 e 0.544), mentre la riga sottile (0.364) e i cerchi neri (0.384) hanno prodotto le alterazioni minori. Conclusioni I metodi di oscuramento tradizionali risultano inefficaci nel contrastare gli attuali algoritmi di riconoscimento facciale basati su una mappatura bidimensionale. L'alterazione fenotipica tramite IA e la tecnica dello skin fill rappresentano le strategie più sicure per tutelare la privacy biometrica in ortodonzia: impediscono la re-identificazione del soggetto e, limitando l'intervento alla sola area perioculare, preservano accuratamente l'impalcatura diagnostica e le proporzioni del volto.