Mikrobielle Zahnbelagsanalyse in jungen bleibenden Zähnen mittels Deep Learning

Zahnbelag ist definiert als eine mikrobielle Gemeinschaft, die in eine Matrix eingebettet ist, die aus von Bakterien abgeleiteten Polymeren und dem Speichelgehalt besteht, der sich auf der Zahnoberfläche entwickelt. Mikrobieller Zahnbelag wird innerhalb von Sekunden nach der Zahnreinigung auf der Zahnoberfläche adsorbiert und bleibt funktionell bestehen. Diese Moleküle kommen hauptsächlich in der Flüssigkeit des subgingivalen Sulcus zusammen mit dem Speichel vor und zeigen eine Ansiedlung in diesem Bereich. Der primäre ätiologische Faktor für Gingivitis und Parodontitis ist bakterieller Zahnbelag, der zur Zerstörung des Zahnfleischgewebes und der parodontalen Befestigung führen kann. Wenn bei Kindern nicht unmittelbar nach dem Zahndurchbruch eine Mundhygiene etabliert wird und keine regelmäßigen Putzgewohnheiten vermittelt werden, kann sich die bakterielle Biofilmschicht auf den Zahnoberflächen und Zahnfleischrändern absetzen, die mit der Mundumgebung verbunden sind, und eine Zahnfleischentzündung auslösen.

Die frühzeitige Erkennung und Behandlung parodontaler Erkrankungen im Anfangsstadium bei Kindern ist klinisch wichtig, da sich diese Erkrankungen in späteren Phasen verschlimmern und zu unerwünschten Folgen führen können. Bakterielle Plaque ist der primäre ätiologische Faktor für Zahnfleischerkrankungen bei Kindern. Die Identifizierung und Unterscheidung von mikrobiellem Zahnbelag durch Patienten kann eine Herausforderung sein. Plaques können in der routinemäßigen klinischen Praxis mithilfe parodontaler Sonden und/oder Lösungen zur Plaque-Aufdeckung nachgewiesen werden. Obwohl diese Methoden weit verbreitet sind, können sie zu subjektiven Ergebnissen führen. Allerdings können diese Beurteilungsmethoden bei nicht kooperativen Kindern umständlich, zeitaufwändig und erfolglos sein. Darüber hinaus können Plaque-Entdeckungslösungen, die zur Erkennung von mikrobiellem Zahnbelag verwendet werden, vorübergehend zu Verfärbungen der Mundschleimhaut und der Lippen führen. In der Literatur finden sich auch digitale Bildanalysen wie die laserinduzierte Autofluoreszenzspektroskopie und der HIS-Farbraum zur Erkennung von mikrobiellem Zahnbelag. Allerdings schränken die Nachteile, wie der hohe apparative Aufwand und die technische Standardisierung, ihren Einsatz ein.

Aus diesen Gründen zielt diese Studie darauf ab, ein erschwingliches und leicht zugängliches Modell der künstlichen Intelligenz (KI) für die frühe und genaue Diagnose von mikrobiellem Zahnbelag bei Kindern zu entwickeln. Ziel ist es, durch die Bewertung der Diagnose- und Erkennungsleistung dieses KI-Modells verschiedenen Parodontalproblemen vorzubeugen und zur Mundhygiene zu motivieren.

Mit Fortschritten in der künstlichen Intelligenz für die Bildverarbeitung hat die Forschung zur Erkennung, Segmentierung und Quantifizierung von Zahnbelag in Bildern, die von Dentalkameras aufgenommen wurden, erheblich zugenommen. In einer Studie wurde versucht, Zahnbelag mithilfe eines Enhanced K-Means-Algorithmus für maschinelles Lernen zu erkennen. Darüber hinaus wurde eine auf Mask R-CNN basierende Internet-of-Things-Plattform (IoT) für Zahngesundheit entwickelt, um sieben verschiedene Munderkrankungen, einschließlich Zahnbelag, mit einer perfekten Genauigkeitsrate für die Plaque-Erkennung, jedoch nicht für die Segmentierung, zu klassifizieren.

Während das U-Net-Modell weithin als erfolgreich und etabliert im Bereich der biomedizinischen Bildverarbeitung gilt, gibt es in der Literatur keine Studien zur Analyse von Zahnbelag mit U-Net und seinen Varianten. Darüber hinaus liegen keine Studien zur Analyse von Zahnbelag in jungen bleibenden Zähnen von Kindern vor. Daher zielt diese Studie darauf ab, sechs hochmoderne Modelle der künstlichen Intelligenz zu trainieren, die Variationen des U-Net-Modells beinhalten, um Zahnbelag bei jungen bleibenden Zähnen von Kindern vorherzusagen. Anschließend werden ihre Leistungen sorgfältig zusammengefasst und zur umfassenden Analyse präsentiert. Um schließlich die klinische Machbarkeit des leistungsstärksten Modells zu validieren, werden statistische Hypothesentests durchgeführt, bei denen die Vorhersagen des KI-Modells mit den Einschätzungen von drei Zahnärzten verglichen werden.