Ziel: In der Zahnmedizin werden auf künstlicher Intelligenz (KI) basierende Systeme dazu eingesetzt, die Genauigkeit und Effizienz diagnostischer Prozesse zu verbessern. Ziel der vorliegenden Studie war es, die Leistungsfähigkeit eines Deep- Learning-(DL-)Modells für die Erkennung und Klassifikation dentaler Strukturen und Behandlungsmaßnamen auf Panoramaschichtaufnahmen von Kindern zu bewerten.
Material und Methode: Insgesamt 4.821 anonymisierte digitale Panoramaschichtaufnahmen von Kindern im Alter von 5 bis 13 Jahren wurden mit YOLOv4 analysiert, einem Echtzeit-Objekterkennungsmodell, das auf faltenden neuronalen Netzwerken (Convolutional Neural Networks, CNN) basiert. Die Fähigkeit des Modells, eine korrekte Diagnose zu liefern, wurde an Beispielen aus den im Rahmen der Studie analysierten Panoramaschichtaufnahmen getestet. Für alle statistischen Analysen kam die Software SPSS in der Version 26.0 zum Einsatz.
Ergebnisse: Das trainierte YOLOv4-Modell war in der Lage, Milchzähne, Zahnkeime bleibender Zähne und kieferorthopädische Brackets mit F1-Werten von 0,95, 0,90 bzw. 0,76 erfolgreich zu erkennen. Trotz der hier erreichten vielversprechenden Ergebnisse, stieß das Modell bei anderen dentalen Strukturen bzw. Behandlungsmaßnahmen, konkret: Füllungen, Wurzelkanalbehandlungen und überzählige Zähne, an gewisse Grenzen. Die in der vorliegenden Studie verwendete Architektur lieferte zuverlässige Ergebnisse, jedoch mit einigen Einschränkungen bei der Erkennung von Zahnstrukturen und -behandlungen.
Schlussfolgerungen: Die DL-basierte Erkennung bestimmter dentaler Strukturen und früherer Behandlungsmaßnahmen auf Panoramaschichtaufnahmen von Kindern kann zur Frühdiagnose einiger dentaler Anomalien beitragen und, dank Einsparungen an Zeit und Aufwand, dem Zahnarzt helfen korrektere Behandlungsoptionen zu finden.