När barn och unga vuxna behöver tandställning är ett vanligt problem att överkäken är för smal. Tandläkare kan försiktigt vidga överkäken med särskilda apparaturer, men den säkraste och minst invasiva metoden fungerar endast medan en benfog i gommen — den midpalatinala suturen — fortfarande är öppen. När denna fog slutits kan tyngre mekanik eller till och med kirurgi bli nödvändigt. Denna studie tillhandahåller en noggrant uppbyggd bilddatamängd och en artificiell intelligens (AI)-modell som hjälper tandläkare att avgöra hur långt fogen har förenats, med målet att styra behandlingsbeslut mer exakt och konsekvent.
Den dolda fogen i gommen
Den midpalatinala suturen är en naturlig fog som löper längs mitten av gommen och gör det möjligt för överkäken att vidgas under barndom och tonår. När överkäken är för smal använder läkare ofta snabb maxillär expansion, där en apparat långsamt skjuter isär vänster och höger halva av överkäken. Om suturen fortfarande är öppen räcker vanligtvis en tandförankrad expander. Men om suturen redan har förenats till solitt ben måste man använda benförankrade expanders eller kirurgi, vilket är mer komplicerat och invasivt. Följaktligen påverkar vetskapen om fogen är öppen eller sluten direkt patientens komfort, risk och kostnad.
Utmaningen med att läsa 3D-dentalbilder
I dag bedömer specialister vanligtvis suturens mognad visuellt på konisk stråle-CT (CBCT)-skanningar och placerar varje patient i ett av fem stadier från A (tydligt öppen) till E (fullständigt förenad). Detta populära system, föreslaget av Angelieri och kollegor, hjälper till att vägleda behandlingsval, men har nackdelar. Olika kliniker kan vara oense när bilderna är subtila, och tvådimensionella snitt kan missa viktiga tredimensionella detaljer. Författarna framhåller att visuell inspektion är tidskrävande, subjektiv och särskilt knepig i gränsfall. Samtidigt använde tidigare AI-försök ofta endast tunna tvärsnitt av skanningen i stället för hela 3D-volymen, vilket riskerar att förlora avgörande information.
Att bygga en rik, noggrant kontrollerad datamängd
För att ta itu med dessa problem samlade teamet 600 CBCT-skanningar från patienter i åldern 4 till 25 år och tog noggrant bort alla personliga identifierare. En erfaren ortodontist skapade först en personanpassad bild av varje patients gom genom att följa den verkliga kurvan i gommens tak i stället för att använda ett plant snitt, vilket säkerställde att hela suturen var synlig. Därefter tilldelade en ortodontist och en specialist på käk- och ansiktsavbildning oberoende varje fall till ett av de fem standardstadierna och upprepade sina bedömningar en månad senare. Statistiska kontroller visade utmärkt överensstämmelse både mellan de två experterna och inom varje expert över tid, vilket gav förtroende för att dessa stadieetiketter är tillförlitliga. Parallellt med bilderna registrerade forskarna klinisk information som ålder, kön, dental mognad, halskotsmognad, gomform och bentäthet runt suturen.
Hur AI ser mönster som människor kan missa Figure 1.
Med denna datamängd byggde författarna en AI-modell som kombinerar två typer av information: den 3D CBCT-bilden och tillhörande mätningar i tabellform. Ett tredimensionellt convolutionalt neuralt nätverk lär sig mönster från hela skanningsvolymen, medan ett enklare nätverk hanterar kliniska siffror som ålder och bentäthet. Dessa två flöden förenas sedan till en enda representation som används för att förutsäga suturstadiet. För att främja rättvisa och robusthet upprepade teamet träningen med flera slumpmässiga datasplit. Den kombinerade, eller ”fusion”, modellen presterade konsekvent bättre än versioner som endast använde bilder eller endast kliniska data, vilket visar att både anatomi och patientkontext spelar roll. Modellen uppnådde övergripande hög noggrannhet, och dess förmåga att skilja mellan stadier återspeglades i area-under-curve-värden över 0,95 för alla klasser.
En titt in i modellens resonemang Figure 2.
För att förstå vad AI fokuserade på genererade forskarna värmekartor med en metod kallad Grad-CAM. Dessa visuella överlägg framhävde regionerna i överkäken och gommen som bidrog mest till modellens beslut, klustrade kring den midpalatinala suturen och närliggande ben. Detta ger kliniker viss trygghet i att AI:n baserar sitt omdöme på anatomiskt meningsfulla drag snarare än irrelevanta bildartefakter. Samtidigt noterade författarna tecken på överanpassning — där modellen lär sig träningsdatan för väl och kanske inte generaliserar perfekt till nya kliniker eller skannrar — och betonade behovet av större, multicenterdatamängder och vidare förfining.
Vad detta betyder för framtida ortodontisk behandling
För patienter och familjer är det praktiska löftet med detta arbete mer konsekventa beslut om när enkla expanders räcker och när starkare eller kirurgiska alternativ verkligen är nödvändiga. Genom att göra både 3D-bilderna och den kliniska tabellen offentligt tillgängliga, tillsammans med koden, inbjuder författarna andra grupper att bygga vidare på och testa deras system. Om det valideras över olika populationer och maskiner skulle AI-assisterad stagning av den midpalatinala suturen kunna omvandla en svår, erfarenhetsberoende bedömning till ett standardiserat verktyg, minska gissningar och hjälpa till att skräddarsy käkvidgningsbehandlingar efter varje individs verkliga benutvecklingsstadium.
Citering: Zuo, Z., Jia, B., Xiao, Y. et al. A dataset of midpalatal suture maturation stage in cone-beam computed tomography.
Sci Data13, 531 (2026). https://doi.org/10.1038/s41597-026-06778-3
