KI-basierte Auswertung von Fotografien und intraoralen digitalen Bildern erfolgreich?

Die visuell-taktile Detektion ist das „Kernstück der Kariesdiagnostik“. Die zweite herkömmliche Detektionsmethode ist das Röntgen. Allerdings konnte gezeigt werden, dass hierbei insbesondere frühe Läsionen oft übersehen werden und die Genauigkeit von Zahnärzten und Zahnärztinnen bei der Bildbefundung starken individuellen Schwankungen unterliegt. Die KI-gestützte Analyse von Röntgenbildern kann hier helfen – auch, um frühe Läsionen zuverlässig zu erkennen [1].

Gleichzeitig wird die Auswertung intraoraler digitaler Fotografien als gleichwertig zur visuellen Inspektion angesehen und festgestellt, dass intraorale digitale Fotografien „grundlegende Voraussetzung für die automatisierte Bildanalyse bei der Verwendung von Methoden der KI“ sind [2]. Deshalb interessierte Forscher nun sowohl die Diagnoseleistung KI-basierter Erkennung von verschiedenen Krankheiten wie Karies und MIH als auch Versorgungen auf intraoralen Bildern.

Kühnisch et al. [2] untersuchten die diagnostische Leistung von KI bei Karies auf Grundlage klinischer Bilder. Auf der Basis von 2.417 anonymisierten Fotografien von bleibenden Zähnen und der Einteilung nach den Kategorien kariesfrei, nicht kavitierte Kariesläsion und kariesbedingte Kavitation konnte die KI die Karies in 92,5 Prozent der Fälle korrekt erkennen, wenn alle Einzelzahnfotos einbezogen wurden.

Eine ähnliche Genauigkeit erzielte die automatisierte Erkennung von Seitenzahnrestaurationen bleibender Zähne auf intraoralen Fotografien: Der auf 1.761 Bildern basierende Trainingssatz (483 von nicht restaurierten Zähnen, 570 von Kompositrestaurationen, 213 von Zement, 278 von Amalgam-, 125 von Gold- und 92 von Keramikrestaurationen) konnte die verschiedenen Arten der Restaurationen mit einer durchschnittlichen Genauigkeit von 97,1 Prozent diagnostizieren (94,9 Prozent für nicht restaurierte Zähne, 92,9 Prozent für Komposit, 98,3 Prozent für Zement, 99,2 Prozent für Amalgam-, 99,4 Prozent für Gold- und 97,8 Prozent für Keramikrestaurationen) [3].

Eine KI konnte auch Fissurenversiegelungen in 98,7 Prozent aller intraoralen digitalen Testfotografien von bleibenden Molaren erkennen. Die diagnostische Genauigkeit betrug hinsichtlich der Einstufung als intakte Versiegelung 89,6 Prozent, 83,2 Prozent für eine ausreichende bzw. 92,4 Prozent für eine unzureichende Versiegelung [4].

Eine weitere Studie untersuchte die KI-basierte Erkennung und Kategorisierung von MIH-Zähnen (Molaren-Inzisiven-Hypomineralisation) auf intraoralen Fotografien (gemäß der Einteilung: ohne MIH/ohne Eingriff, ohne MIH/atypische Restauration, ohne MIH/Versiegelung, mit abgegrenzter Opazität/ohne Eingriff, mit abgegrenzter Opazität/atypischer Restauration, mit abgegrenzter Opazität/Versiegelung, mit Schmelzabbau/kein Eingriff, mit Schmelzabbau/atypischer Restauration, mit Schmelzabbau/Versiegelung). Da die Diagnose und Behandlung von MIH in der täglichen zahnärztlichen Praxis oft eine Herausforderung ist und diagnostische Unsicherheiten bestehen, könnte gerade diese von einer vom untersuchenden Zahnarzt unabhängigen diagnostischen Methode profitieren.

Die KI konnte dabei Zähne mit MIH mit einer allgemeinen diagnostischen Gesamtgenauigkeit von 95,2 Prozent korrekt kategorisieren. Im Detail lagen die Genauigkeitswerte zwischen 91,5 (Schmelzabbau/keine Intervention) und 99,1 Prozent (Schmelzabbau/Versiegelung). Einzig für die Kategorie „abgrenzte Opazitäten ohne Intervention“ wurde eine diagnostische Genauigkeit von unter 90 Prozent erzielt (88,4 Prozent).