share

Foto: Med Photo Studio – stock.adobe.com

Ein Deep-Learning-Algorithmus erkennt Parodontale Erkrankungen anhand von 2D-Bissflügel-Röntgenaufnahmen, so eine auf dem EuroPerio10 vorgestellte Forschungsarbeit. ¹

„Unsere Studie zeigt das Potenzial der künstlichen Intelligenz (KI), parodontale Pathologien automatisch zu identifizieren“, sagte Studienautor Dr. Burak Yavuz von der Eskisehir Osmangazi University, Türkei. „Dies könnte die Strahlenbelastung reduzieren, indem Wiederholungsuntersuchungen vermieden werden und eine frühere Behandlung ermöglicht wird.“

Frühere Studien haben die Verwendung von KI zur Erkennung von Karies, Wurzelfrakturen und apikalen Läsionen untersucht. Forschungen auf dem Gebiet der Parodontologie gibt es jedoch nur begrenzt. Diese Studie bewertete die Fähigkeit von Deep Learning, einer Art KI, zur Bestimmung des parodontalen Status in Bissflügel-Röntgenaufnahmen. Die Studie verwendete 434 Bissflügel-Röntgenaufnahmen von Patienten mit Parodontitis. Die Bildverarbeitung wurde mit der u-net-Architektur durchgeführt, einem konvolutionellen neuronalen Netzwerk, das zur schnellen und präzisen Segmentierung von Bildern verwendet wird. Ein erfahrener Facharzt wertete die Bilder zusätzlich mit der Segmentierungsmethode aus. Die Bewertungen umfassten den gesamten Alveolarknochenverlust um die unteren und oberen Zähne herum.

Das neuronale Netzwerk identifizierte 859 Fälle von Alveolarknochenverlust, 2.215 Fälle von horizontalem Knochenverlust, 340 Fälle von vertikalem Knochenverlust, 108 Furkationsdefekte und 508 Fälle von Zahnstein. Der Erfolg des Algorithmus beim Identifizieren von Defekten wurde mit der Beurteilung des Arztes verglichen und als Sensitivität, Präzision und F1-Wert angegeben, der der gewichtete Durchschnitt von Sensitivität und Präzision ist. Für Empfindlichkeit, Präzision und F1-Score ist 1 der beste Wert und 0 der schlechteste.

Die Sensitivitäts-, Präzisions- und F1-Score-Ergebnisse für den gesamten Alveolarknochenverlust betrugen 1, 0,94 bzw. 0,96. Die entsprechenden Werte für horizontalen Knochenverlust waren 1, 0,92 bzw. 0,95, während AI keinen vertikalen Knochenverlust identifizieren konnte. Für Zahnstein waren die Sensitivitäts-, Präzisions- und F1-Score-Ergebnisse 1,0, 0,7 bzw. 0,82 und für Furkationsdefekte waren die entsprechenden Werte 0,62, 0,71 bzw. 0,66.

Dr. Yavuz sagte: „Unsere Studie zeigt, dass KI in der Lage ist, viele Arten von Defekten aus 2D-Bildern zu erkennen, die bei der Diagnose von Parodontitis hilfreich sein könnten. Umfassendere Studien sind auf größeren Datensätzen erforderlich, um den Erfolg der Modelle zu steigern und ihre Verwendung auf 3D-Röntgenaufnahmen auszudehnen.“ Er schloss: „Diese Studie gibt einen Einblick in die Zukunft der Zahnmedizin, in der KI Bilder automatisch auswertet und Zahnärzten hilft, Krankheiten früher zu diagnostizieren und zu behandeln.“

^{1 Das Abstract „Detecting parodontal bone loss with an Artificial Intelligence approach on dental bitewing radiographs“ wurde während der Sitzung „Parodontaldiagnose und Krankheitsverlauf“ präsentiert, die am 16. Juni um 14:30 Uhr MESZ in Break Out 2 stattfand.}

Quelle: European Federation of Periodontology