Het gebruik van kunstmatige intelligentie in de tandheelkunde komt steeds dichterbij
In de toekomst van de tandheelkunde kan kunstmatige intelligentie (AI) mogelijk automatisch parodontale pathologieën ontdekken die anders mogelijk worden gemist.
Een onderzoek dat werd gepresenteerd op het EuroPerio10-congres van de Europese Federatie van Parodontologie (EFP) toont aan dat dit steeds dichterbij komt: een deep learning-algoritme heeft namelijk met succes parodontitis op 2D-bitewing-röntgenfoto’s gedetecteerd.
Pathologie eerder ontdekken
Het inzetten van kunstmatige intelligentie vermindert mogelijk de hoeveelheid onderzoeken die nodig is om een pathologie te ontdekken, waardoor de blootstelling aan straling kan worden verminderd. Ook kan de stille progressie van parodontale ziektes worden verminderd en een behandeling eerder worden gestart. Het onderzoek werd gepresenteerd door Dr. Burak Yavuz van Eskisehir Osmangazi University in Turkije op EuroPerio10 – ’s werelds toonaangevende congres op het gebied van parodontologie en implantaattandheelkunde dat wordt georganiseerd door de EFP.
Deep learning bepaalt parodontale status
AI is eerder al gebruikt tijdens studies om cariës, wortelfracturen en apicale laesies te detecteren. Het onderzoek op het gebied van parodontologie is echter beperkt. Deze studie evalueerde het vermogen van deep learning, een type AI, om de parodontale status in 343 bitewing-röntgenfoto’s van parodontitispatiënten te bepalen.
Neuraal netwerk en specialist
De beeldverwerking werd uitgevoerd met een convolutief neuraal netwerk en door een ervaren specialist. Beide maakten gebruik van de segmentatiemethode. Beoordelingen omvatten totaal alveolair botverlies rond de onder- en boventanden, horizontaal botverlies, verticaal botverlies, furcatiedefecten en tandsteen rond de boven- en onderkaaktanden.
Gevoeligheid en precisie
Het succes van het algoritme bij het identificeren van defecten werd vergeleken met de beoordeling van de arts. Hiervoor werden gevoeligheid, precisie en F-1 score, het gewogen gemiddelde van gevoeligheid en precisie, gerapporteerd. Voor gevoeligheid, precisie en F1-score is 1 de beste waarde en 0 de slechtste.
Goede detectie van bepaalde soorten defecten
Het neurale netwerk identificeerde 859 gevallen van alveolair botverlies, 2.215 gevallen van horizontaal botverlies en 340 gevallen van verticaal botverlies. Daarnaast werden 108 furcatiedefecten en 508 gevallen van tandsteen gevonden.
De resultaten voor gevoeligheid, precisie en F1-score waren wisselend voor de verschillende types beoordeelde onderdelen. Zo werd totaal alveolair botverlies zeer goed gedetecteerd, terwijl de kunstmatige intelligentie verticaal botverlies niet kon identificeren. De exacte waardes zijn weergegeven in de tabel.
Bekijk hier een grotere afbeelding.
Uitgebreidere studies nodig
Dr. Yavuz zei: “Onze studie illustreert dat AI in staat is om vele soorten defecten op te pikken uit 2D-beelden die kunnen helpen bij de diagnose van parodontitis. Er zijn uitgebreidere studies nodig op grotere datasets om het succes van de modellen te vergroten en het gebruik ervan uit te breiden tot 3D-röntgenfoto’s.”
Kijkje in de toekomst
“Deze studie geeft een kijkje in de toekomst van de tandheelkunde, waar AI automatisch beelden evalueert en tandheelkundige professionals helpt om ziekten eerder te diagnosticeren en te behandelen”, concludeerde hij.
Bron:
“Detecting periodontal bone loss with an artificial intelligence approach on dental bitewing radiographs”, gepresenteerd tijdens de sessie “Periodontal diagnosis and disease progression” tijdens EuroPerio10 op 16 juni 2022, gepresenteerd door Dr. Burak Yavuz.