Klinische Genauigkeit der kraniometrischen Analyse mittels tiefenlernenden, automatisierten Landmarkenerkennens auf CBCT bei Malokklusionen Klasse I und Klasse II

Warum intelligentere Scans für Ihr Lächeln wichtig sind

Wenn Kieferorthopäden Zahnspangen oder Kieferoperationen planen, verlassen sie sich auf präzise Messungen von Knochen, Zähnen und Gesichtsprofil. Traditionell zeichnen Experten diese Punkte von Hand auf röntgenähnlichen Bildern nach — eine langsame Aufgabe, die anfällig für menschliche Variabilität ist. Diese Studie stellt eine einfache, aber wichtige Frage mit praktischem Einfluss: Kann ein System der künstlichen Intelligenz diese Messarbeit in modernen 3D-Scans zuverlässig übernehmen, und wenn ja, wie sicher können Zahnärzte seinen Ergebnissen bei der Behandlungsplanung vertrauen?

Von flachen Bildern zu 3D-Kopflandkarten

Jahrzehntelang nutzten Kieferorthopäden flache, zweidimensionale Bilder, um Kieferposition und Zahnachsen zu messen. Diese Bilder pressen einen dreidimensionalen Kopf in eine Ebene zusammen, wodurch subtile Probleme verborgen und Abstände verzerrt werden können. Die konische Strahlen-Computertomographie (CBCT) ermöglicht es Klinikerinnen und Klinikern heute, Gesicht und Kiefer in drei Dimensionen zu sehen, doch das präzise Setzen Dutzender wichtiger Punkte im 3D-Raum ist zeitaufwendig und erfordert umfangreiche Schulung. Automatisierte Systeme auf Basis von Deep Learning versprechen, diese sogenannten Landmarken mit Bruchteilen eines Millimeters zu platzieren, was Zeit spart und die Standardisierung der Versorgung fördern könnte.

Ein KI-Messgerät auf dem Prüfstand

Das Forscherteam baute auf einem fortgeschrittenen Deep-Learning-Modell auf, das bereits an fast 500 CBCT-Scans trainiert worden war. Der Algorithmus war darauf ausgelegt, 40 wichtige knöcherne, dentale und Weichgewebs-Landmarken in 3D zu erkennen. Für diese Studie wählten die Autorinnen und Autoren 75 neue CBCT-Scans von Patientinnen und Patienten mit den häufigen Bissformen Skelettklasse I und Skelettklasse II aus. Erfahrene Kieferorthopäden markierten die Landmarken manuell auf diesen Scans; ihre Arbeit diente als „Ground Truth“. Die KI analysierte dieselben Scans, und eine speziell entwickelte Softwareplattform wandelte beide Landmarkensätze in 71 praxisrelevante Messgrößen um — Abstände, Winkel und Verhältnisse —, die Kieferorthopäden in Diagnose und Behandlungsplanung tatsächlich verwenden.

Wie nah ist in der Klinik nah genug?

Um die Leistung der KI zu beurteilen, verglichen die Forschenden ihre Messungen mit den von Expertinnen und Experten abgeleiteten Werten mithilfe mehrerer statistischer Werkzeuge. Sie betrachteten den durchschnittlichen Abstand zwischen korrespondierenden Landmarken, bekannt als mittlerer radialer Fehler, und wie oft die KI innerhalb von zwei Millimetern der Expertenmarken lag. Insgesamt lagen die KI-Landmarken im Mittel etwa 1,7 Millimeter von den Expertenpunkten entfernt, und mehr als 60 % fielen in das engste Zwei-Millimeter-Fenster. Als diese Landmarken in reale klinische Messgrößen überführt wurden, zeigten nur 9 von 71 Messungen statistisch signifikante Unterschiede — und selbst diese Unterschiede waren winzig, weniger als ein Millimeter oder ein Grad, ein Bereich, den Kieferorthopäden in der Regel klinisch als vernachlässigbar ansehen.

Wo das robotische Lineal noch schwächelt

Die Betrachtung jenseits einfacher Mittelwerte macht die Lage nuancierter. Mithilfe von Methoden, die nicht nur den typischen Unterschied, sondern auch die Streuung der Unterschiede bewerten, fanden die Forschenden, dass nahezu 60 % aller KI-basierten Messungen bequem innerhalb eines klinisch akzeptablen Bereichs von plus/minus zwei Millimetern oder Grad blieben. Lineare Distanzen — etwa die Länge eines Kiefersegments — erwiesen sich als besonders zuverlässig, wenn die zugrunde liegenden Landmarken mit einer Präzision unter zwei Millimetern lokalisiert wurden. Winkelmessungen, die stark von der Richtung kleiner Positionsfehler abhängen, erwiesen sich jedoch als empfindlicher. Bei einigen Landmarken mit verschwommenen anatomischen Grenzen, wie der hinteren Ecke des Unterkiefers (Gonion) oder den Spitzen sich entwickelnder Inzisivenwurzeln, konnten die Richtungsfehler der KI Winkel merklich beeinflussen, selbst wenn der durchschnittliche Distanzfehler akzeptabel erschien.

Eine Partnerschaft zwischen Mensch und Algorithmus

Für Patientinnen, Patienten und Kliniker ist die zentrale Erkenntnis, dass gut konzipierte KI bereits einen Großteil der schweren Arbeit bei 3D-kieferorthopädischen Messungen übernehmen kann und für die meisten klinisch wichtigen Abstände sowie viele Winkel Ergebnisse liefert, die denen von Expertinnen und Experten sehr ähnlich sind. Gleichzeitig zeigt die Studie, dass eine einzelne Kennzahl zum durchschnittlichen Landmarkenfehler nicht ausreicht, um vertrauenswürdige Messungen zu garantieren — besonders bei Winkeln und bei Landmarken in Regionen mit unscharfer oder variabler Anatomie. Die Autorinnen und Autoren kommen zu dem Schluss, dass automatisierte 3D-kraniometrische Analyse als leistungsfähige Assistenz in der Routinediagnostik einsatzbereit ist — jedoch mit einem Menschen in der Schleife. Eine kurze manuelle Kontrolle und das Feinjustieren einiger sensibler Landmarken kann das System in einen zuverlässigen Partner verwandeln, der Kieferorthopäden hilft, sicherere, präzisere Behandlungen zu planen und gleichzeitig weniger Zeit mit mühsamen Messaufgaben zu verbringen.

Zitation: Jiang, Y., AL-Mohana, R.A.A.M., Jiang, C. et al. Clinical accuracy of cephalometric analysis using deep learning–based automated landmark identification on CBCT in class I and class II malocclusions. Sci Rep 16, 10283 (2026). https://doi.org/10.1038/s41598-026-41408-3

Schlüsselwörter: kieferorthopädische Bildgebung, 3D-Zahnscans, künstliche Intelligenz, automatisierte Messungen, CBCT