Können Klassifizierungsstrategien die automatisierte Bestimmung des zervikalen Wirbelreifungsstadiums verbessern? Eine vergleichende Studie

Warum der Zeitpunkt eines Wachstumsschubs wichtig ist

Für Kinder und Jugendliche, die eine Zahnspange oder Kieferkorrektur benötigen, kann das Erkennen des natürlichen Wachstumsschubs im richtigen Moment die Behandlung reibungsloser, kürzer und effektiver machen. Zahnärztinnen und Zahnärzte betrachten häufig Wirbelknochen in üblichen Röntgenaufnahmen des Kopfes, um abzuschätzen, wie weit die körperliche Entwicklung eines jungen Menschen fortgeschritten ist. Solche visuellen Beurteilungen können jedoch uneinheitlich sein, sodass verschiedene Fachleute mitunter zu unterschiedlichen Einschätzungen kommen. Diese Studie untersucht, ob sorgfältig gestaltete Systeme der künstlichen Intelligenz (KI) diese Röntgenaufnahmen konsistenter auswerten können — und wie man solche Systeme am besten trainiert.

Wachstum aus Halswirbeln ablesen

Wenn Kieferorthopäden eine Behandlung planen, betrachten sie nicht nur die Zähne. Sie müssen auch wissen, wie viel Wachstum ein Patient noch vor sich hat. Eine gängige Methode ist die Untersuchung der kleinen Halswirbel (Zervikalwirbel) auf einer seitlichen Röntgenaufnahme des Kopfes. Ihre Form verändert sich subtil, wenn ein Kind von frühem Wachstum über den pubertären Wachstumsschub bis in die späte Adoleszenz übergeht. Ein verbreitetes System unterteilt diese Veränderung in sechs Stufen, doch die Unterschiede zwischen benachbarten Stufen können so gering sein, dass selbst erfahrene Ärztinnen und Ärzte häufig uneinig sind. Diese Variabilität erschwert die Standardisierung der Versorgung und das sichere Timing von Behandlungen, die davon abhängen, den Wachstumsschub zu erwischen.

Computern beibringen, subtile Formänderungen zu erkennen

Die Forschenden stellten 1.750 routinemäßige kieferorthopädische Röntgenaufnahmen aus einem Krankenhaus zusammen, mit einem Altersdurchschnitt der Patientinnen und Patienten von etwa 13 Jahren. Zwei zertifizierte Kieferorthopäden ordneten jede Aufnahme unabhängig einer der sechs Wachstumsstufen zu und lösten anschließend etwaige Meinungsverschiedenheiten gemeinsam, wodurch eine verlässliche Referenz entstand. Ein Computer-Vision-Modell fand zunächst den kleinen Bildausschnitt, der drei Halswirbel enthält, und schnitt diesen Bereich aus. Diese zugeschnittenen Bilder wurden dann in Deep-Learning-Systeme eingespeist — spezialisierte KI-Programme, die Muster direkt aus vielen Beispielen erlernen — um das Wachstumsstadium vorherzusagen.

Hilfreiche Expertenhinweise oder störende Vorgaben?

Das Team verglich zwei Haupttrainingsansätze. Bei einem lernte die KI End-to-End: Sie sah nur die zugeschnittenen Wirbelbilder und lernte direkt, die sechs Wachstumsstufen vorherzusagen. Beim anderen wurde die KI zunächst darauf trainiert, spezifische Landmarken auf den Wirbeln zu finden — Schlüsselpositionen entlang ihrer Ränder, die menschliche Experten nutzen — und anschließend erneut trainiert, das Wachstumsstadium zu klassifizieren, wobei sie das Gelernte über diese Landmarken wiederverwendete. Überraschenderweise schnitt der direkte End-to-End-Ansatz besser ab. Er identifizierte die genaue Sechsstufen-Kategorie in etwa zwei Dritteln der Fälle korrekt, und wenn Fehler auftraten, lagen sie fast immer in einer benachbarten Stufe. Die landmarkengeführten Versionen holten nie ganz auf, selbst wenn ihre internen Schichten während des Nachtrainings intensiver angepasst wurden.

Fein detailliertes Training für größere klinische Entscheidungen

Im klinischen Alltag benötigen Kieferorthopäden oft nicht alle sechs Stufen. Wichtiger sind drei breitere Phasen: vor, während und nach dem pubertären Wachstumsschub. Die Forschenden überprüften daher, ob es besser ist, ein Modell direkt auf diese drei Gruppen zu trainieren oder zunächst auf der vollständigen Sechsstufen-Skala zu trainieren und dann dessen Ausgaben in drei Kategorien zusammenzufassen. Beide Ansätze erreichten eine ähnliche Gesamtgenauigkeit von etwa 79 Prozent, doch das Modell, das mit der feineren Sechsstufen-Einteilung begonnen hatte, richtete seine Aufmerksamkeit stärker auf die exakten Wirbelmerkmale, auf die Klinikerinnen und Kliniker vertrauen, wie etwa die unteren Ränder und das Ausdünnen der Knochenkanten. Visuelle Karten dessen, worauf die KI „schaute“, zeigten eine engere Fokussierung auf diese bedeutungsvollen Formen, während das direkt auf drei Stufen trainierte Modell seine Aufmerksamkeit weiter streute und weniger relevante Bereiche stärker einbezog.

Was das für die zukünftige zahnärztliche Versorgung bedeutet

Die Studie legt nahe, dass KI das Wachstum aus routinemäßigen kieferorthopädischen Röntgenaufnahmen so einstufen kann, dass Fehler meist auf benachbarte Stufen beschränkt sind — ähnlich der natürlichen Unsicherheit, mit der menschliche Expertinnen und Experten konfrontiert sind. Sie zeigt außerdem, dass vorgegebene anatomische Hinweise dem Computer nicht immer nützen und ihn sogar ausbremsen können, wenn diese Hinweise nicht exakt zur Aufgabenstellung passen. Dagegen kann ein Training an detaillierteren Wachstumsstufen, selbst wenn in der Klinik nur grobe Kategorien benötigt werden, zu Modellen führen, die dieselben Merkmale betrachten wie menschliche Spezialisten. Langfristig könnten solche sorgsam trainierten Systeme Kieferorthopäden dabei unterstützen, Behandlungen konsistenter und transparenter zu timen und das individuelle Wachstum der Patientinnen und Patienten besser zu nutzen, während die endgültigen Entscheidungen weiterhin in menschlicher Hand bleiben.

Zitation: Lee, SY., Ryu, J., Kim, YH. et al. Can classification strategies improve automated cervical vertebral maturation staging? A comparative study. Sci Rep 16, 10645 (2026). https://doi.org/10.1038/s41598-026-46004-z

Schlüsselwörter: skelettale Reife, kieferorthopädisches Wachstum, Deep Learning, medizinische Bildgebung KI, Zervikalwirbel