Czy AI może wykrywać niektóre choroby, patrząc na zdjęcia zębów ?

AI może już pomagać w wykrywaniu niektórych schorzeń stomatologicznych poprzez analizę obrazów radiograficznych, takich jak panoramiczne zdjęcia rentgenowskie i tomografia komputerowa z wiązką stożkową (CBCT). Konwolucyjne sieci neuronowe (CNN) przeszkolone na oznaczonych radiogramach stomatologicznych wykazały wydajność porównywalną do ekspertów ludzkich w identyfikowaniu problemów takich jak ubytki, choroby przyzębia i próchnica zębów, przy czym niektóre badania donoszą o dokładności powyżej 90% w kontrolowanych warunkach. Jednak uogólnienie działania na zróżnicowane populacje, sprzęt obrazujący i protokoły kliniczne pozostaje wyzwaniem, a narzędzia te są zazwyczaj stosowane jako systemy wspomagania decyzji, a nie samodzielne rozwiązania diagnostyczne. Szersza walidacja kliniczna i zatwierdzenia regulacyjne są obecnie prowadzone w wielu jurysdykcjach.

— Wzbogacono 13 maja 2026 · Źródło: 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).