Für die Konstruktion einer Zahnkrone braucht die KI genügend Daten

Die Arbeitsgruppe um Alexander Broll, Prof. Sebastian Hahnel und Prof. Martin Rosentritt, Leiter Forschung der Poliklinik für Zahnärztliche Prothetik des Universitätsklinikums Regensburg (UKR), sowie Markus Goldhacker, Professor für Data Science an der OTH Regensburg, wurde von der Deutschen Gesellschaft für Prothetische Zahnmedizin und Biomaterialien (DGPro) mit dem Wissenschaftspreis 2026 ausgezeichnet.

Der Preis ist mit 2.500 Euro dotiert. Ausgezeichnet wurden die vier Forscher für ihre wissenschaftliche Arbeit „Morphological effects of input data quantity in AI-powered dental crown design“, die den Einfluss der Datenmenge auf die Qualität von KI-gestützt konstruierten Zahnkronen untersuchte.

Das Potenzial digitaler Workflows zeigt sich bei der Geschwindigkeit, mit der sich Zahnersatz wie beispielsweise Kronen digital mittels KI konstruieren lassen. Während die modernen analogen Arbeitsweisen kaum noch Effizienzreserven aufweisen, kann der Konstruktionsprozess auf digitalem Weg radikal verkürzt werden: Wofür selbst erfahrene Zahntechniker Stunden benötigen, kann KI heute in nur wenigen Sekunden schaffen.

Doch welche und wie viele Informationen braucht eine KI, um aus den Daten eines Intraoralscans eine funktional befriedigende Zahnkrone zu konstruieren, die den manuellen Nachbearbeitungsaufwand gering hält? Dieser Frage gingen die Autoren in der ausgezeichneten Studie nach.

Die retrospektive In-vitro-Studie untersuchte den Einfluss der Eingangsdatenmenge – konkret der Größe der mit dem Intraoralscan zu scannenden Areale – auf die Morphologie von mit Hilfe von KI-Software konstruierter Zahnkronen. Verglichen wurden Datensätze von 30 Patienten (11 Männer, 19 Frauen; Alter: 22 bis 31 Jahre).

Bei diesen Patienten wurden beide Kiefer jeweils vollständig nach Herstellervorgaben gescannt, inklusive  sequenzieller Okklusions-, Bukkal-, Lingual- und Approximalscans. Anschließend wurde aus den Daten ein erster unterer Molar (36 oder 46) entfernt – dieser Molar sollte testweise durch eine KI-basierte Software (Dentbird Crown, Imageworks Inc.) neu konstruiert werden. Als Referenz diente der ursprüngliche Zahn.

Übergeben wurden der KI-Software drei Datenmengen: einmal der Scan des vollständigen Gebisses (1), zum zweiten die Scandaten des Quadranten (2) und zum dritten die auf die Nachbarzähne reduzierten Daten (3). Die Antagonisten wurden für jede Variante entsprechend der Datenmenge des Unterkiefers berücksichtigt.

Für die Bewertung der mit der KI-Software konstruierten Kronen entwickelte das Team klinisch relevante Kennzahlen. Dazu gehörten die Anzahl der Kontaktpunkte, ihre Abstände und räumliche Verteilung sowie die Stärke der Kontakte. Auf diese Weise konnten die Forscher prüfen, wie gut sich die von der KI erzeugten Kronen funktionell in das Gebiss einpassten.

Während die KI mit den Daten der Gruppen 1 und 2 eine gleichbleibende Rekonstruktionsqualität ohne signifikante Unterschiede in Morphologie und Okklusionsverhältnissen lieferte, generierte sie signifikante Abweichungen, wenn ihr zur Konstruktion der Krone nur die Daten der Nachbarzähne zur Verfügung gestellt wurden.

Die KI benötigte also mindestens die Scandaten des betreffenden Quadranten, um zuverlässig gute Kronen zu konstruieren. Eine weitere Steigerung der Datenmenge (kompletter Mundscan) brachte dagegen keine Verbesserung der Konstruktionsqualität.

Die digitalen Prozessketten werden heute – auch durch die Einbindung von KI - immer leistungsfähiger. „Diese Systeme können künftig einen Teil der zeitaufwendigen Konstruktionsarbeit übernehmen“ sagt Rosentritt und verweist auf den Fachkräftemangel in der Zahntechnik. Darüber hinaus könnten Praxen und Labore von der neuen Technik profitieren, wenn die KI-generierten Restaurationsvorschläge den Bedarf an Nachbearbeitung und manuellen Anpassungen am Patienten reduzieren.

Prämierte Studie: Alexander Broll, Markus Goldhacker, Sebastian Hahnel, Martin Rosentritt. Morphological effects of input data quantity in AI-powered dental crown design. Journal of Dentistry, Volume 159, 2025, 105767, ISSN 0300-5712, doi.org/10.1016/j.jdent.2025.105767.