Automated Dental Calculus Mapping and Burden Estimation Using Deep Learning

Jeden Tag tragen Milliarden von Menschen auf der ganzen Welt eine stille, unsichtbare Last in ihren Mündern: eine harte, krustige Schicht aus mineralisierten Bakterien, die an ihren Zähnen haftet. Wissenschaftler nennen dies Zahnstein, aber die meisten Menschen kennen es als Tartar. Er entsteht, wenn sich der weiche Biofilm aus Plaque auf den Zähnen mit der Zeit verhärtet und wie ein raues Gerüst wirkt, das mehr Bakterien einfängt und das Zahnfleisch reizt. Diese Reizung ist die Hauptursache für Zahnfleischerkrankungen, ein Zustand, der zu Schmerzen, Zahnverlust und umfassenderen gesundheitlichen Problemen führen kann. Für viele ist das Problem nicht nur biologischer, sondern auch sozialer Natur; die Menschen, die am stärksten unter schwerer Parodontitis leiden, sind oft diejenigen mit dem geringsten Zugang zu professioneller zahnmedizinischer Versorgung. In ländlichen Gebieten, einkommensschwachen Gemeinschaften und Teilen der Welt mit wenigen Zahnärzten kann es vorkommen, dass eine Person jahrelang keinen Fachmann aufsucht, wodurch dieser Aufbau schwerwiegend und schädigend werden kann, bevor es jemand bemerkt.

Die Hoffnung, diese Realität zu ändern, liegt in einem einfachen Werkzeug: einer Kamera. In den letzten Jahren haben Zahnärzte und Mitarbeiter im Gesundheitswesen zunehmend Fotografien eingesetzt, um Mundprobleme zu untersuchen, insbesondere in Schulen oder entlegenen Kliniken, in denen eine vollständige zahnärztliche Untersuchung unmöglich ist. Die Herausforderung bestand darin, dass das manuelle Betrachten von tausenden Fotos langsam ist und das menschliche Auge subtile Anzeichen früher Krankheiten übersehen kann. Hier tritt Computer Vision, ein Zweig der künstlichen Intelligenz, der Maschinen lehrt, Bilder zu „sehen“ und zu interpretieren, in die Geschichte ein. Forscher fragen sich nun, ob ein Computer ein Foto eines Mundes betrachten, die harten, krustigen Ablagerungen erkennen und sogar messen kann, wie viel der Zahnoberfläche sie bedecken kann, ohne dass ein Mensch auf den Bildschirm starren muss. Wenn eine Maschine dies zuverlässig leisten könnte, könnte sie dabei helfen, zu identifizieren, wer dringende Pflege benötigt und wer einfach nur bessere Putzgewohnheiten braucht, wodurch potenziell Millionen von Menschen erreicht werden könnten, die derzeit durch das Raster des Gesundheitssystems fallen.

Ein Team von Forschern der North Carolina Agricultural and Technical State University und dem Oral Surgery Institute of the Carolinas setzte sich zum Ziel, ein solches Werkzeug zu entwickeln. Sie entwickelten keine neue Kamera oder ein neues Medikament; stattdessen brachten sie einem Computer bei, Zahnstein in Fotografien zu erkennen. Dazu sammelten sie eine große Sammlung bestehender Fotos menschlicher Münder, die Bilder sowohl gesunder Zähne als auch von Zähnen enthielten, die mit den harten, gelblich-braunen Ablagerungen von Zahnstein bedeckt waren. Anschließend verbrachten sie eine beträchtliche Zeit damit, manuell präzise Umrisse um jede sichtbare Stelle des Zahnsteins in diesen Fotos zu zeichnen, um einen Satz von „Ground-Truth“-Karten zu erstellen, die dem Computer genau zeigten, wo sich die Ablagerungen befanden. Dieser Prozess wurde von einem Forscher ohne Zahnarztdiplom durchgeführt, ein notwendiger Schritt angesichts des Volumens der Bilder, obwohl das Team einräumte, dass in Zukunft ein Experte, ein Zahnarzt, die Verifizierung dieser Markierungen vornehmen müsste.

Mit diesen sorgfältig markierten Bildern in der Hand trainierten die Forscher ein hochentwickeltes Computerprogramm, einen Typ eines Deep-Learning-Modells namens U-Net, um den Unterschied zwischen einem sauberen Zahn und einem mit Zahnstein bedeckten Zahn zu erlernen. Sie verwendeten ein spezifisches Design, das es dem Computer ermöglichte, das Gesamtbild zu betrachten und sich gleichzeitig auf winzige Details zu konzentrieren, ganz so, wie ein Mensch zurücktreten könnte, um die allgemeine Form eines Objekts zu sehen, und sich dann vorbeugen, um eine bestimmte Stelle zu inspizieren. Der Computer wurde mit tausenden Bildern konfrontiert und lernte, vorherzusagen, wo sich der Zahnstein befand. Nach Abschluss des Trainings testete das Team das System an einem frischen Satz von Bildern, die es zuvor noch nie gesehen hatte. Die Ergebnisse waren vielversprechend: Der Computer identifizierte den Standort des Zahnsteins in etwa 73 Prozent der Fälle, in denen dieser vorhanden war, und er war sehr gut darin, andere Dinge wie Schatten oder die normale Zahnfarbe nicht mit Zahnstein zu verwechseln.

Der vielleicht innovativste Teil dieser Arbeit war nicht nur das Finden des Zahnsteins, sondern das Messen desselben. Anstatt lediglich zu sagen „Zahnstein ist vorhanden“ oder „Zahnstein ist abwesend“, berechnete das System den Prozentsatz der Zahnoberfläche, der von den Ablagerungen bedeckt ist. Durch das Zählen der Pixel – der winzigen Punkte, aus denen ein digitales Bild besteht – die der Computer als Zahnstein markierte, und deren Vergleich mit der Gesamtzahl der Pixel, die den Zahn repräsentieren, generierte das System eine spezifische Zahl, die die Schwere der Erkrankung darstellt. In einigen Testfällen schätzte das System, dass fast 80 Prozent der sichtbaren Zahnoberfläche mit Ablagerungen bedeckt waren, ein Niveau, das eindeutig die Notwendigkeit einer professionellen Reinigung anzeigt. Diese Fähigkeit, die Schwere des Problems zu quantifizieren, anstatt nur dessen Vorhandensein zu detektieren, bietet eine neue Möglichkeit, Patienten zu priorisieren und Helfern zu helfen zu entscheiden, wer sofortige Aufmerksamkeit benötigt und wer warten kann.

Die Forscher verglichen ihr gewähltes Computerdesign mit drei anderen gängigen Designs, um zu sehen, welches am besten funktionierte. Ihre spezifische Kombination von Werkzeugen übertraf die anderen, was darauf hindeutet, dass die Art und Weise, wie sie das System gebaut hatten, gut für diese schwierige Aufgabe geeignet war. Dennoch war das Team vorsichtig, ihre Ergebnisse eher als einen Machbarkeitsnachweis (Proof of Concept) als als ein fertiges Produkt für Krankenhäuser darzustellen. Sie merkten an, dass ihre Trainingsdaten aus einer einzigen öffentlichen Quelle stammten, was bedeutete, dass der Computer noch nicht gelernt hatte, Zahnstein bei Menschen mit unterschiedlichen Hauttönen, unter verschiedenen Lichtbedingungen oder mit unterschiedlichen Arten von Zähnen zu erkennen. Sie betonten auch, dass die Markierungen, die den Computer lehrten, von einem Nicht-Zahnarzt vorgenommen wurden, was ein Risiko für Fehler birgt, das korrigiert werden muss, bevor das Werkzeug in echten Kliniken eingesetzt werden kann.

Trotz dieser Einschränkungen zeigt die Studie einen klaren Weg nach vorne. Sie demonstriert, dass es technisch möglich ist, eine Standardkamera und ein Computerprogramm zu verwenden, um Zahnstein zu kartieren und abzuschätzen, wie viel von einem Zahn betroffen ist. Diese Fähigkeit könnte schließlich in Tele-Dentistry-Programme integriert werden, bei denen eine Mitarbeiterin im Gesundheitswesen ein Foto der Zähne eines Kindes macht und es an einen entfernten Spezialisten sendet, oder in denen eine Schulkrankenschwester eine App verwendet, um ein ganzes Klassenzimmer zu untersuchen. Das ultimative Ziel ist nicht, den Zahnarzt zu ersetzen, sondern die Reichweite der zahnmedizinischen Versorgung an die Orte zu bringen, an denen sie am dringendsten benötigt wird. Indem sie ein einfaches Foto in eine detaillierte Karte der Mundgesundheit verwandeln, deutet diese Forschung auf eine Zukunft hin, in der die Last der Parodontitis gemessen und verwaltet werden kann, um sicherzustellen, dass die erste Verteidigungslinie gegen Zahnverlust für alle verfügbar ist, unabhängig davon, wo sie leben.