Overzicht kunstmatige intelligentie in de tandheelkunde

Machine learning en andere vormen van AI hebben sinds het begin van de 21e eeuw allerlei toepassingen in de tandheelkundige diagnostische beeldvorming. Digitale radiografie en CBCT hebben de tandheelkunde ingrijpend veranderd en hebben geleid  tot de ontwikkeling van computergestuurde detectie- en diagnosesystemen. Tandartsen kunnen tegenwoordig verschillende aandoeningen heel precies identificeren, waaronder laesies in de maxillaire sinus, aan osteoporose gerelateerde veranderingen in het mandibulaire bot en verkalkingen in de halsslagader.

Detectie- en diagnosesystemen waren altijd gebaseerd op door mensen gemaakte regels en kennis van specifieke röntgenbevindingen. Maar sinds het begin van de jaren 2010 heeft machine learning, met name deep learning (DL), terrein gewonnen in detectie- en diagnosesystemen. DL maakt gebruik van neurale netwerken geïnspireerd op de structuur van het menselijk brein, en blinkt hierdoor uit in beeldanalyse, natuurlijke taalverwerking, voorspellende analyse en machinale systeembesturing. Wat tandheelkundige diagnostische beeldvorming betreft hebben AI-toepassingen gestaag vooruitgang geboekt in onder meer intraorale radiografie, panoramische radiografie en CBCT.

De classificatietaak is cruciaal om tandlocaties op periapicale röntgenfoto's te identificeren. Daarbij kan het moeilijk zijn om de maxilla en mandibula en links en rechts te onderscheiden. DL biedt een nauwkeurige oplossing voor tandidentificatie. Gebruiksvriendelijke grafische interfaces maken DL ook toegankelijk voor tandartsen zonder programmeerkennis.

De nauwkeurigheid van de aanvankelijk door mensen toegewezen classificatielabels is essentieel voor gecontroleerde classificatietaken, waarbij een machine learning-model wordt getraind om gegevens te classificeren in vooraf gedefinieerde categorieën. Zo kan DL geïmpacteerde boventallige elementen accuraat identificeren op basis van duidelijke criteria. Het diagnosticeren van de morfologie van de mandibulaire cortex die wijst op osteoporose kan echter deskundige observatie vereisen. Ook de identificatie van periapicale laesies, zoals radiculaire cysten, kan moeilijk zijn.

Voor regiodetectie in DL moet AI door experts geannoteerde interessegebieden leren, zodat het automatisch rechthoekige interessegebieden in afbeeldingen kan definiëren. Dit is essentieel om positieve en negatieve radiografische bevindingen te classificeren. Tandheelkundige toepassingen zijn onder meer het detecteren van problemen met de maxillaire sinus en radiolucente laesies in de mandibula.

Automatische tanddetectie in panoramische radiografie is een belangrijke doorbraak. Deze techniek helpt niet alleen om mondziekten te diagnosticeren, maar ondersteunt ook bij postmortale identificatie na natuurrampen. ‘Overlappende tanden’ in panoramische beelden kunnen echter het identificatieproces belemmeren.

De segmentatietaak in DL verdeelt een afbeelding in afzonderlijke segmenten, waarbij objecten van de achtergrond worden onderscheiden. Semantische segmentatie gebruikt kleuren om objecten te scheiden. Instantiesegmentatie identificeert individuele gevallen van dezelfde klasse. Deze techniek is geschikt voor tandidentificatie in panoramische röntgenfoto's met een duidelijk beeld. Segmentatietaken vullen regiodetectie aan en zijn essentieel om de omtrek van doelstructuren en laesies nauwkeurig te volgen. Voorbeelden hiervan zijn extractie van het mandibulaire kanaal en de maxillaire sinus in panoramische röntgenfoto's en segmentatie van periapicale laesies.

Generatieve AI behelst het creëren van nieuwe inhoud (zoals tekst en afbeeldingen) via DL-modellen. Deze modellen worden gebruikt om beeldruis te verminderen en dentale afbeeldingen te verfijnen. Dat verbetert de interpretatie en de diagnose. Bovendien helpt generatieve AI om patiëntspecifieke dentale en gezichtskenmerken te creëren. Dat draagt bij aan de behandelingsuitleg en CAD.

Het onderzoek, getiteld ʻDeep learning and artificial intelligence in dental diagnostic imagingʼ, is in december 2023 gepubliceerd in de Japanese Dental Science Review.

Labels: