Kann KI bestimmte Krankheiten durch Betrachtung von Zahnbildern erkennen ?

KI kann bereits bei der Erkennung bestimmter Zahnkrankheiten helfen, indem sie röntgenologische Bilder wie Panorama-Röntgenaufnahmen und Cone-Beam-Computertomographie (CBCT)-Scans analysiert. Convolutional Neural Networks (CNNs), die mit beschrifteten zahnärztlichen Röntgenbildern trainiert wurden, haben eine Leistung gezeigt, die mit der von menschlichen Experten vergleichbar ist, wenn es um die Identifizierung von Problemen wie Karies, Parodontalerkrankungen und Zahnkaries geht. Einige Studien berichten von Genauigkeiten von über 90 % unter kontrollierten Bedingungen. Allerdings bleibt die Generalisierung über verschiedene Populationen, Bildgebungsgeräte und klinische Protokolle hinweg eine Herausforderung, und diese Tools werden in der Regel als entscheidungsunterstützende Systeme und nicht als eigenständige Diagnoselösungen eingesetzt. Die breitere klinische Validierung und regulatorische Zulassung ist in vielen Rechtsordnungen noch im Gange.

— Angereichert 13. Mai 2026 · Quelle: 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).