Poate AI detecta anumite boli prin analiza imaginilor dentare ?

AI poate ajuta deja la detectarea anumitor afecțiuni dentare prin analiza imaginilor radiografice, cum ar fi radiografiile panoramice și tomografiile computerizate cu fascicul conic (CBCT). Rețelele neuronale convoluționale (CNN) antrenate pe radiografii dentare etichetate au demonstrat performanțe comparabile cu cele ale experților umani în identificarea problemelor precum cariile, bolile parodontale și caria dentară, unele studii raportând acurateți de peste 90% în condiții controlate. Cu toate acestea, generalizarea în rândul diverselor populații, echipamentelor de imagistică și protocoalelor clinice rămâne o provocare, iar aceste instrumente sunt de obicei utilizate ca sisteme de suport decizional, mai degrabă decât ca soluții de diagnostic autonome. Validarea clinică mai largă și aprobarea de reglementare sunt în curs în multe jurisdicții.

— Îmbogățit 13 mai 2026 · Sursă: 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).