Kan AI bepaalde ziekten detecteren door naar beelden van tanden te kijken ?

AI kan al helpen bij het opsporen van bepaalde tandheelkundige aandoeningen door radiografische beelden zoals panoramische röntgenfoto's en cone-beam computertomografie (CBCT)-scans te analyseren. Convolutionele neurale netwerken (CNN's) die zijn getraind op gelabelde tandheelkundige röntgenfoto's, hebben prestaties laten zien die vergelijkbaar zijn met die van menselijke experts bij het identificeren van problemen zoals gaatjes, parodontale ziekten en tandbederf, waarbij sommige studies nauwkeurigheidspercentages van boven de 90% rapporteren in gecontroleerde omgevingen. Toch blijft generalisatie over diverse bevolkingsgroepen, beeldvormingsapparatuur en klinische protocollen een uitdaging, en worden deze tools meestal gebruikt als beslissingsondersteunende systemen in plaats van als standalone diagnostische oplossingen. Breder klinisch valideren en goedkeuring door regelgevende instanties zijn in veel rechtsgebieden nog gaande.

— Verrijkt 13 mei 2026 · Bron: 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).