Může AI detekovat určitá onemocnění pohledem na snímky zubů ?

AI již může asistovat při detekci některých zubních onemocnění analýzou radiografických snímků, jako jsou panoramatické rentgenové snímky a snímky z počítačové tomografie s kuželovým svazkem (CBCT). Konvoluční neuronové sítě (CNN) trénované na označených zubních rentgenech prokázaly výkon srovnatelný s lidskými odborníky při identifikaci problémů, jako jsou zubní kaz, parodontóza a zubní kaz, přičemž některé studie uvádějí v kontrolovaných podmínkách přesnost nad 90 %. Generalizace napříč různými populacemi, zobrazovacími zařízeními a klinickými protokoly však zůstává náročná a tyto nástroje se obvykle používají jako systémy podporující rozhodování spíše než jako samostatná diagnostická řešení. Širší klinická validace a regulační schválení probíhají v mnoha jurisdikcích.

— Zpracováno 13. května 2026 · Zdroj: American Dental Association — https://www.ada.org/resources/research/science-and-research-institute/ada-seal-of-acceptance

Background

AI-based dental diagnostics rely primarily on radiographic and photographic image analysis. Convolutional neural networks (CNNs) trained on labeled dental radiographs have achieved expert-level performance in detecting cavities, periodontal disease, dental caries, and other pathologies, with several studies reporting accuracies above 90% in controlled settings (American Dental Association, 2026). The U.S. National Institute of Dental and Craniofacial Research (NIDCR, 2026) similarly notes that AI systems have demonstrated high accuracy in identifying tooth decay, gum disease, and oral cancer from radiographic and intraoral images.

Key technical and clinical challenges include generalization across diverse patient populations, imaging equipment variability, and differences in clinical imaging protocols. Current systems are therefore positioned as decision-support tools rather than standalone diagnostic solutions (American Dental Association, 2026). Broader clinical validation and regulatory approval remain active areas of research and development in multiple jurisdictions. Performance is also influenced by image quality and the specific machine-learning algorithms employed (NIDCR, 2026).