Kunnen classificatiestrategieën geautomatiseerde bepaling van cervicale wervelrijrijping verbeteren? Een vergelijkende studie

Waarom het tijdstip van een groeispurt ertoe doet

Voor kinderen en tieners die een beugel of kaakcorrectie nodig hebben, kan het vangen van de natuurlijke groeispurt op het juiste moment de behandeling soepeler, korter en effectiever maken. Tandartsen bekijken vaak wervelbotten op gewone schedelröntgenfoto’s om in te schatten hoe ver een jong persoon is in zijn of haar groei. Maar deze visuele beoordelingen kunnen inconsistent zijn, waarbij verschillende specialisten soms tot verschillende conclusies komen. Deze studie onderzoekt of zorgvuldig ontworpen kunstmatige intelligentie (AI)-systemen die röntgenfoto’s consistenter kunnen lezen — en wat de beste manier is om zulke systemen te trainen.

Groeiveranderingen aflezen van nekwervels

Wanneer orthodontisten een behandeling plannen, kijken ze niet alleen naar tanden. Ze moeten ook weten hoeveel groei een patiënt nog heeft. Een gebruikelijke methode is het onderzoeken van de kleine nekwervels, de cervicale wervels, op een zijaanzicht van de schedel. Hun vormen veranderen subtiel naarmate een kind van vroege groei via de puberale groeispurt naar late adolescentie gaat. Een veelgebruikt systeem verdeelt deze verandering in zes stappen, maar de verschillen tussen aangrenzende stappen kunnen zo gering zijn dat zelfs ervaren artsen vaak van mening verschillen. Die variabiliteit bemoeilijkt het standaardiseren van zorg en het met vertrouwen timen van behandelingen die afhangen van het oppikken van de groeispurt.

Computers leren subtiele vormveranderingen te zien

De onderzoekers verzamelden 1.750 routinematige orthodontische röntgenfoto’s uit één ziekenhuis, van patiënten met een gemiddelde leeftijd van ongeveer 13 jaar. Twee erkende orthodontisten wees elk beeld onafhankelijk toe aan één van de zes groeistadia en losten eventuele meningsverschillen daarna in gezamenlijk overleg op, waarmee ze een betrouwbare referentie creëerden. Een computer-visionmodel vond eerst en sneed het kleine deel van de afbeelding bij dat de drie nekwervels bevatte. Deze bijgesneden beelden werden vervolgens gevoerd aan deep-learningsystemen — gespecialiseerde AI-programma’s die patronen rechtstreeks uit vele voorbeelden leren — om het groeistadium te voorspellen.

Helpen deskundige aanwijzingen of hinderen ze?

Het team vergeleek twee hoofdtrainingsideeën. In de ene leerde de AI end-to-end: hij zag alleen de bijgesneden wervelbeelden en leerde rechtstreeks de zes groeistadia te voorspellen. In de andere werd de AI eerst getraind om specifieke landmerkpunten op de wervels te vinden — sleutelposities langs hun randen die menselijke experts gebruiken — en pas daarna opnieuw getraind om het groeistadium te classificeren, waarbij het gebruikte wat het over die landmerken had geleerd. Verras­s end deed de end-to-endbenadering het beter. Die identificeerde de exacte zesschalencategorie ongeveer twee derde van de keren correct, en wanneer hij fouten maakte, vielen die bijna altijd in een aangrenzend stadium. De landmerk-gestuurde versies haalden het nooit helemaal in, zelfs niet wanneer hun interne lagen meer grondig werden aangepast tijdens het hertrainen.

Fijne detailtraining voor bredere klinische beslissingen

In de dagelijkse praktijk hebben orthodontisten vaak niet alle zes stappen nodig. In plaats daarvan gaat het om drie bredere fasen: voor, tijdens en na de puberale groeispurt. De onderzoekers testten daarom of het beter was een model direct op deze drie groepen te trainen, of eerst op de volledige zesschalige indeling en daarna de uitkomsten samen te voegen tot drie. Beide benaderingen bereikten vergelijkbare totale nauwkeurigheid van ongeveer 79 procent, maar het model dat begon met de fijnere zesschalige training besteedde meer aandacht aan de exacte wervelfeatures waarop clinici vertrouwen, zoals de onderste randen en het uithollen van de botranden. Visuele kaarten van waar de AI ‘naar keek’ lieten een nauwere focus zien op deze betekenisvolle vormen, terwijl het direct op drie stappen getrainde model zijn aandacht breder spreidde naar minder relevante gebieden.

Wat dit betekent voor toekomstige tandheelkundige zorg

Deze studie suggereert dat AI groeiontwikkeling kan beoordelen uit routinematige orthodontische röntgenfoto’s met fouten die grotendeels beperkt blijven tot aangrenzende stadia, vergelijkbaar met de natuurlijke onzekerheid waar menselijke experts mee te maken hebben. Het laat ook zien dat het geven van voorgeprogrammeerde anatomische aanwijzingen niet altijd behulpzaam is en het systeem zelfs kan remmen als die aanwijzingen niet goed aansluiten op de uiteindelijke taak. Daarentegen kan training op meer gedetailleerde groeistadia, zelfs wanneer in de kliniek alleen brede categorieën nodig zijn, leiden tot modellen die naar dezelfde kenmerken kijken als menselijke specialisten. Op de lange termijn zouden dergelijke zorgvuldig getrainde systemen orthodontisten kunnen ondersteunen bij het consistenter en transparanter timen van behandelingen, waardoor elke patiënt zijn groeispurt beter kan benutten, terwijl de uiteindelijke beslissingen bij mensen blijven.

Bronvermelding: 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

Trefwoorden: skeletrijpheid, orthodontische groei, deep learning, medische beeldvorming AI, cervicale wervels