Sie sind auf dem neuesten Stand
Sie haben die Ausgabe Feb. 2026 abgeschlossen.
CME-BeitragKnifflig für die KI: Kinder-OPGs
Die Auswertung von Röntgenbildern ist ein wichtiges Anwendungsgebiet der Künstlichen Intelligenz (KI) in der Zahnheilkunde. Die Befundung von Einzelbildern, Bissflügel- und Panoramaschichtaufnahmen im Rahmen der Kariesdiagnostik funktioniert bereits gut, insbesondere bei frühen Kariesstadien. Bei Überlagerungen hat die KI jedoch noch Schwierigkeiten. Die automatisierte Zahnerkennung und -zählung zur Erstellung eines Zahnstatus anhand von Orthopantomogrammen von Kindern liefert deshalb derzeit noch keine optimalen Ergebnisse.
Forschende aus Saudi-Arabien haben 598 archivierte Panoramaröntgenaufnahmen von Kindern im Alter von vier bis 14 Jahren untersucht [1]. Drei erfahrene Zahnärzte beurteilten unabhängig voneinander jedes Bild, um die Referenzwerte für die Identifizierung von Milchzähnen festzulegen. Anschließend wurden dieselben Röntgenaufnahmen mit einer KI-basierten Diagnosesoftware (EM2AI) zur automatischen Erkennung und Nummerierung von Milchzähnen ausgewertet.
Fehlendes Kontextverständnis trotz guter Gesamtgenauigkeit
Die Gesamtgenauigkeit der getesteten KI-Anwendung zur Erkennung aller Milchzähne im Vergleich zu den Referenzdaten betrug 98 Prozent. Fehlende Milchzähne erkannte die KI besonders gut (Spezifität 99 Prozent). Vorhandene Milchzähne identifizierte sie mit einer Sensitivität von 97 Prozent.
Trotz dieser sehr guten Zahlen hatte die KI Schwierigkeiten immer dann,
- wenn sich Zahnkronen von bleibenden und Milchzähnen überlagerten.
- Wichtige Befunde, wie z. B. persistierende Milchzähne, bereiteten der KI Probleme und
- verbliebene Milchzahnwurzelreste erkannte sie nicht.
- Zudem brachte sie
- eine veränderte Zahndurchbruchsreihenfolge,
- das Vorhandensein von Apparaturen wie Platzhalter,
- eine ungewöhnliche Stellung oder Winkel der Zähne sowie
- Engstände durcheinander.
Diese Studie veranschaulicht, dass KI zwar unterstützen kann, einen Zahnstatus vom OPG in die Praxissoftware zu übertragen, doch gerade bei den Besonderheiten im Wechselgebiss braucht es nach wie vor das geschulte Auge des Behandlers.
Bessere Diagnostik nicht aufgrund von KI allein
Auch eine frühere türkische Studie [2] konstatierte bereits, dass es nur wenige Studien zur automatisierten Zahnerkennung und -zählung anhand von Panoramaröntgenbildern von Kindern und Jugendlichen gibt – eben aufgrund des Problems der KI mit der Überlagerung anatomischer Strukturen und Zähne auf solchen Aufnahmen. Als Ergebnis der Auswertung von 4.545 OPGs von Kindern und Jugendlichen erkannte und nummerierte die KI-Software erfolgreich sowohl Milchzähne als auch bleibende Zähne mit einer mittleren Präzision von 92,22 Prozent. Die Autoren kommen zu dem Schluss, dass die Kombination von Deep-Learning-basierten Modellen mit der Erfahrung von Zahnärzten zu besseren Behandlungsergebnissen und präziseren Diagnosen in kürzerer Zeit führen kann.
Was bedeutet das für die Praxis?
Im Regelfall wird ein Zahnarzt oder eine Zahnärztin erst eine klinische intraorale Untersuchung durchführen und dabei einen Zahnstatus aufnehmen, bevor eine Indikation zur Röntgendiagnostik gestellt wird. Die automatische Zahnerkennung und -zählung könnte ein nachgelagertes Kontrollinstrument sein. Da Überlagerungen die automatisierte Zahnerkennung auf Kinder-OPGs erschweren, kann darauf heute im Praxisalltag sicherlich (noch) verzichtet werden. Für die Forschung oder die epidemiologische Auswertung von vielen Hunderten oder Tausenden von Panoramaschichtaufnahmen von Kindern und Jugendlichen kann die automatisierte Erstellung eines Zahnstatus möglicherweise gute Dienste leisten und die Auswertung effizienter gestalten.
- [1] Bakhsh HH et al. The Validation of an Artificial Intelligence-Based Software for the Detection and Numbering of Primary Teeth on Panoramic Radiographs. Diagnostics (Basel). 2025 Jun 11;15(12):1489. doi.org/10.3390/diagnostics15121489.
- [2] Kaya E et al. Proposing a CNN Method for Primary and Permanent Tooth Detection and Enumeration on Pediatric Dental Radiographs. J Clin Pediatr Dent. 2022 Jul 1;46(4):293-298. doi.org/10.22514/1053-4625-46.4.6.
AUSGABE: ZR 2/2026, S. 17 · ID: 50669914
