Karies ist eine der weltweit häufigsten chronischen Erkrankungen, doch ihre Erkennung erfolgt bislang manuell und ist zeitaufwendig. Zahnärzt:innen oder ihre Assistenzkräfte müssen Röntgenbilder sorgfältig prüfen, um das Vorhandensein und die Art der Karies zu bestimmen. Dieser Prozess ist nicht nur repetitiv, sondern unterliegt auch einer hohen Variabilität in Bildqualität und Interpretation zwischen den Fachkräften.

Obwohl Expert:innen darin geschult sind, subtile Muster in den Scans zu erkennen, verringern Zeitdruck und die zunehmende Zahl diagnostischer Aufgaben ihre Möglichkeiten, sich auf komplexe oder seltene Fälle zu konzentrieren. Ziel war es daher, ein System zu entwickeln, das eine automatische Erkennung verschiedener Kariesarten ermöglicht und so Zeit für hochwertige Patientenversorgung schafft.

Wir entwickelten ein Computer-Vision-System, das in der Lage ist, Bissflügel-Röntgenbilder zu analysieren und neun verschiedene Arten von Karies zu erkennen und zu klassifizieren. Mithilfe eines Deep-Learning-Modells, das auf annotierten Scandaten des Kunden trainiert wurde, lernte das System, Muster zu lokalisieren und diesen spezifische Kariesklassen zuzuordnen.

Erste Experimente zeigten vielversprechende Ergebnisse, insbesondere in der Generalisierungsfähigkeit des Modells auf bisher unbekannte Röntgenbilder. Das deutet darauf hin, dass das Modell zu einem verlässlichen Entscheidungsunterstützungssystem für Zahnärzt:innen werden kann.

Das System zeigte großes Potenzial als Proof of Concept, da es mehrere Kariesarten präzise identifizieren konnte und die Abhängigkeit von manueller Auswertung reduzierte. Diese ersten Resultate schaffen eine solide Grundlage für die Weiterentwicklung, mit höherwertigen Datensätzen und kontinuierlicher Validierung.

Solch ein System bietet die Chance, die diagnostische Effizienz in Zahnarztpraxen zu steigern, die diagnostische Varianz zu verringern und letztlich die Patientenversorgung durch eine frühere und konsistentere Karieserkennung zu verbessern.