Foto: Peakstock – stock.adobe.com

Masaru Konishi wertete für die in Oral Diseases veröffentlichte Untersuchung CT-Aufnahmen von 94 Patienten aus, die vor Beginn einer antiresorptiven Therapie entstanden waren. 44 entwickelten später eine Kiefernekrose im Unterkiefer, 50 blieben mindestens zwei Jahre ohne medikamentenbedingte Kiefernekrose (MRONJ). Mithilfe von Radiomics wurden Form, Textur und Intensität der Bilddaten in messbare Merkmale übersetzt. Drei Modelle des maschinellen Lernens prüften anschließend, ob sich anhand dieser Merkmale zwischen später erkrankten und nicht erkrankten Patienten unterscheiden ließ. Die Einbeziehung der Kortikalis zusätzlich zur Spongiosa verbesserte die Unterscheidung. Beim Random-Forest-Modell stieg der AUC-Wert von 0,741 auf 0,931. Dieser beschreibt, wie gut ein Modell beide Gruppen auseinanderhalten kann. Ein Wert von 1 entspricht einer perfekten Unterscheidung. Für eine klinische Anwendung sind natürlich weitere Untersuchungen erforderlich. Neben der kleinen Stichprobe begrenzen uneinheitliche Aufnahmebedingungen und unvollständige zahnärztliche Ausgangsdaten die Aussagekraft. Zudem ließen sich die manuell erfassten Bildmerkmale nur eingeschränkt reproduzieren.

^{1 Masaru Konishi, Radiomics Analysis for Predicting Medication‐Related Osteonecrosis of the Jaw Using Computed Tomography, Oral Diseases (2026). DOI: 10.1111/odi.70386}