Ziel: Während der Einsatz von Deep-Learning-Modellen auf verschiedenen Gebieten in einer Vielzahl von Studien untersucht wird, existieren nur wenige solcher Studien zur Bildgebung in der Zahnmedizin. Ziel des vorliegenden Beitrags war eine Untersuchung der Leistungsfähigkeit faltender neuronaler Netze (Convolutional Neural Network, CNN) bei der Erkennung und Bestimmung von Quantitätsniveaus dentaler Restaurationen (Kronen und Brücken) auf Panoramaschichtaufnahmen (PSA) unter Verwendung eines neu zusammengestellten Datensatzes.
Material und Methode: Insgesamt wurden 20 973 PSA verwendet, die von drei Spezialisten nach fünf Kategorien (0 Restaurationen [„keine Restauration“], 1–3 Restaurationen [„geringes Restaurationsniveau“], 4–6 Restaurationen [„mittleres Restaurationsniveau“], 7–11 Restaurationen [„hohes Restaurationsniveau“], 12–32 Restaurationen [„sehr hohes Restaurationsniveau“]) gelabelt wurden. Auf diesem Datensatz wurden AlexNet-, VGG-16- sowie mehrere ResNet-Varianten- Modelle trainiert und bezüglich ihrer Leistungsfähigkeit bei der Klassifizierungsaufgabe bewertet. Für alle Versuche wurde eine 10-fache Kreuzvalidierung (d. h. jeweils 9 Teile als Trainingsdatensätze und ein Teil für die Validierung) und eine Datenaugmentation durchgeführt.
Ergebnisse: Die besten Ergebnisse mit einer Genauigkeit von 92,7 % lieferte das ResNet-101-Modell. Auch der Makro- Durchschnitt der Fläche unter der ROC-Kurve (Area under the Curve, AUC) war für dieses Modell mit 0,989 am größten. Die Genauigkeiten der anderen Modelle für den Datensatz waren: AlexNet = 75,5 %, VGG-16 = 85,0 %, ResNet-18 = 92,1 %, ResNet-50 = 91,7 % und InceptionResNet-v2 = 92,1 %.
Schlussfolgerungen: Eine Genauigkeit von 92,7 % ist für ein computergestütztes Diagnosesystem überaus vielversprechend. Das Ergebnis beweist, dass ein entsprechendes System dem Zahnarzt assistieren kann, indem es unterstützende Vorab-Informationen ab dem Zeitpunkt der ersten Panoramaschichtaufnahme des Patienten liefert. Da der hier eingeführte Datensatz umfassend genug ist, kann er für andere Problemstellungen umgelabelt und in weiteren Studien verwendet werden.