Microbiële tandplakanalyse bij jonge blijvende tanden met behulp van deep learning

Tandplak wordt gedefinieerd als een microbiële gemeenschap ingebed in een matrix die bestaat uit polymeren afkomstig van bacteriën en het speekselgehalte dat zich op het oppervlak van de tanden ontwikkelt. Microbiële tandplak wordt binnen enkele seconden na de tandreiniging op het tandoppervlak geadsorbeerd en blijft functioneel aanwezig. Deze moleculen komen voornamelijk voor in de vloeistof van de subgingivale sulcus, samen met speeksel, en vertonen vestiging in dit gebied. De belangrijkste etiologische factor voor gingivitis en parodontitis is bacteriële plaque, die kan leiden tot de vernietiging van tandvleesweefsel en parodontale hechting. Als bij kinderen de mondhygiëne niet onmiddellijk na het doorbreken van de tanden wordt gewaarborgd en er geen regelmatige poetsgewoonten worden aangeleerd, kan de bacteriële biofilmlaag zich op de tandoppervlakken en de tandvleesranden nestelen die verband houden met de mondomgeving, waardoor tandvleesontsteking ontstaat.

De vroege detectie en behandeling van parodontitis in de beginfase bij kinderen is van klinisch belang, omdat deze aandoeningen kunnen verergeren en in latere perioden tot nadelige gevolgen kunnen leiden. Bacteriële plaque is de belangrijkste etiologische factor voor tandvleesaandoeningen bij kinderen. Het identificeren en onderscheiden van microbiële tandplak door patiënten kan een uitdaging zijn. Plaques kunnen worden gedetecteerd door middel van routinematige klinische praktijk met behulp van parodontale sondes en/of oplossingen die plaque onthullen. Hoewel deze methoden op grote schaal worden toegepast, kunnen ze subjectieve resultaten opleveren. Deze beoordelingsmethoden kunnen echter omslachtig, tijdrovend en onsuccesvol zijn bij niet-coöperatieve kinderen. Bovendien kunnen oplossingen die tandplak onthullen en die worden gebruikt voor de detectie van microbiële tandplak, tijdelijk het mondslijmvlies en de lippen verkleuren. De literatuur omvat ook digitale beeldvormingsanalyses zoals lasergeïnduceerde autofluorescentiespectroscopie en HIS-kleurruimte voor de detectie van microbiële tandplak. De nadelen, zoals de hoge kosten van apparatuur en technische standaardisatie, beperken echter het gebruik ervan.

Om deze redenen heeft deze studie tot doel een betaalbaar en gemakkelijk toegankelijk model voor kunstmatige intelligentie (AI) te ontwikkelen voor de vroege en nauwkeurige diagnose van microbiële tandplak bij kinderen. Het doel is om verschillende parodontale problemen te voorkomen en motivatie te bieden voor mondhygiëne door de diagnostische en detectieprestaties van dit AI-model te evalueren.

Met de vooruitgang op het gebied van kunstmatige intelligentie voor beeldverwerking is het onderzoek naar het detecteren, segmenteren en kwantificeren van tandplak in beelden die zijn vastgelegd door tandheelkundige camera's aanzienlijk toegenomen. In één onderzoek werd geprobeerd tandplak te detecteren met behulp van een Enhanced K-Means machine learning-algoritme. Daarnaast werd een op Mask R-CNN gebaseerd Internet of Things (IoT)-platform voor de tandheelkunde ontwikkeld om zeven verschillende mondziekten, waaronder tandplak, te classificeren met een perfecte nauwkeurigheid voor tandplakherkenning, maar niet voor segmentatie.

Hoewel het U-Net-model algemeen wordt beschouwd als succesvol en mainstream op het gebied van biomedische beeldverwerking, zijn er geen studies in de literatuur over de analyse van tandplak met U-Net en zijn varianten. Bovendien zijn er geen onderzoeken gevonden naar de analyse van tandplak bij jonge blijvende tanden van kinderen. Daarom probeert deze studie zes state-of-the-art kunstmatige-intelligentiemodellen te trainen, waarin variaties op het U-Net-model zijn opgenomen, met als doel het voorspellen van tandplak bij jonge blijvende tanden van kinderen. Vervolgens worden hun prestaties minutieus samengevat en gepresenteerd voor uitgebreide analyse. Ten slotte worden, om de klinische haalbaarheid van het best presterende model te valideren, statistische hypothesetests uitgevoerd die de voorspellingen van het AI-model vergelijken met de beoordelingen van drie tandartsen.