AI‑stödd radiografisk analys för att upptäcka svårighetsgrad och mönster av alveolärt benförlust

Varför detta spelar roll inför ditt nästa tandläkarbesök

Gingivala sjukdomar gör mer än att få tandköttet att blöda — de äter tyst bort det ben som håller tänderna på plats. Tandläkare försöker upptäcka denna skada på tandröntgen, men att tolka bilderna är svårt och tidskrävande, och små förändringar kan vara lätta att missa. Denna studie visar hur artificiell intelligens (AI) kan hjälpa tandläkare att mäta benförlust runt varje tand snabbare och mer konsekvent, vilket öppnar för tidigare behandling och bättre möjligheter att rädda tänder.

Det dolda benet som håller tänderna på plats

Varje tand är förankrad av ett stödsystem bestående av tandköttsvävnad, små ligament och käkben. När långvariga tandköttsinfektioner lämnas obehandlade bryts detta stöd gradvis ner, vilket leder till ”alveolär benförlust”, det krympande av benet som omsluter tandrötterna. Globalt påverkar svåra former av denna skada ungefär en av fem personer över 15 år och är en viktig orsak till tandförlust. På röntgen bedömer tandläkare svårighetsgraden av denna förlust genom att mäta avståndet mellan en naturlig landmärke på tandytan och den övre kanten av det omgivande benet, och de tittar också på formen av benkanten — om den sjunkit jämnt (horisontell förlust) eller visar en skarp, kilformig nedsänkning (vinkelrätt/angulär förlust). Både mängden och formen av benförlust spelar roll för valet av behandling, inklusive om procedurer för benåterbildning sannolikt kommer att fungera.

Varför att bara titta på röntgen inte räcker

Trots dess betydelse utförs bedömningen av benförlust på röntgen fortfarande till stor del manuellt och är starkt beroende av tandläkarens erfarenhet och trötthetsnivå. Två kliniker kan ge olika avläsningar av samma bild, och hektiska mottagningar kan ha svårt att undersöka varje tandyta i detalj. Tidigare försök att använda AI inom detta område har ofta kunnat säga om benförlust fanns eller ungefär hur allvarlig den var, men de gav sällan precisa, tand‑för‑tand‑mätningar och fångade vanligtvis inte både svårighetsgrad och mönster samtidigt. Författarna till denna artikel ville bygga ett enda automatiserat system som kunde göra båda uppgifterna — mäta hur mycket ben som saknas och klassificera om förlusten är horisontell eller angulär — med den typ av närbilder röntgen som tandläkare redan tar i vardagsvården.

Hur AI tolkar tandröntgen

Forskargruppen använde en offentlig samling om 1 000 noggrant märkta intraorala periapikala röntgenbilder, där varje bild visar flera tänder i detalj. Först tränades en AI‑modell att hitta och rita rektanglar runt varje tand i en bild. Inom varje tand identifierade en andra uppsättning modeller tre viktiga positioner: emalj‑cementgränsen nära tandköttskanten, rotspetsen och den punkt där den synliga benkanten korsar tandytan. Genom att projicera dessa punkter på en rak linje och jämföra deras avstånd omvandlade systemet pixelmätningar till en procentandel benförlust för varje tand. En separat modell spårade konturerna av både tänder och benkanter och konverterade sedan dessa former till tunna linjer. Vid varje ställe där benförlust upptäcktes jämförde mjukvaran lutningen av tandytan med lutningen av benlinjen; små vinklar signalerade angulära defekter, medan brantare, mer parallella linjer indikerade horisontell förlust. Denna kedja av steg gjorde det möjligt för AI:n att gå från råa röntgenbilder till detaljerade mätningar och mönstermärkningar automatiskt.

Hur väl systemet fungerade

För att kontrollera om AI:ns mätningar var tillförlitliga jämförde forskarna dem med experternas annotationer och med en tandläkares manuella avläsningar på en separat uppsättning röntgenbilder. För benförlustens svårighetsgrad bedömdes överensstämmelsen mellan systemet och mänskliga experter som »bra» enligt standardiserade reliabilitetsstatistik, och korrelationen med en erfaren klinikers uppskattningar var stark. För benförlustens mönster skilde AI korrekt mellan horisontell och angulär skada i ungefär nio av tio fall och visade måttlig överensstämmelse med expertens bedömningar. Mjukvaran arbetade också snabbare än en mänsklig läsare: den kunde analysera en hel röntgenbild på cirka 25 sekunder, jämfört med 1 till 4 minuter för en specialist, samtidigt som den undersökte varje tandyta på ett enhetligt sätt.

Vad detta betyder för patienter och tandläkare

Studien antyder att AI kan bli ett hjälpsamt extra öga i tandläkarpraktiken och erbjuda objektiva, upprepbara mätningar av hur mycket ben som gått förlorat och vilken typ av skademönster som föreligger. Tandläkare skulle fortfarande fatta det slutliga beslutet, men de skulle kunna bli uppmärksammade tidigare på subtila förändringar, planera behandlingar med större säkerhet och följa om terapin bromsar eller stoppar benförlust över tid. Även om systemet fortfarande behöver testas i verkliga kliniska miljöer pekar det mot en framtid där rutinmässiga tandröntgenbilder också fungerar som precisa, datorstödda verktyg för att bevara det ben som håller våra tänder på plats.

Citering: Wimalasiri, C., Rathnayake, P., Wijerathne, S. et al. AI-assisted radiographic analysis in detecting alveolar bone-loss severity and patterns. Sci Rep 16, 7974 (2026). https://doi.org/10.1038/s41598-026-38061-1

Nyckelord: parodontit, dentala röntgenbilder, artificiell intelligens, bensubstansförlust, deep learning