Penyakit periodontal merupakan salah satu masalah kesehatan gigi yang banyak ditemukan di seluruh dunia. Kondisi ini tidak hanya menyebabkan gusi mengalami peradangan, tetapi juga dapat menyebabkan tulang yang menyangga gigi mengalami kerusakan. Jika tidak terdeteksi dan ditangani dengan baik, kerusakan tersebut dapat berkembang hingga menyebabkan kehilangan gigi.
Salah satu pemeriksaan yang penting dalam menilai kondisi tulang penyangga gigi adalah radiografi periapikal. Melalui pemeriksaan ini, dokter gigi dapat melihat gigi sekaligus jaringan tulang di sekitarnya. Namun, menentukan tingkat kehilangan tulang periodontal dari gambaran radiograf dapat menjadi tantangan. Hasil penilaian dapat dipengaruhi oleh kualitas radiograf, teknik pengambilan gambar, pengalaman pemeriksa, serta perbedaan interpretasi antar-pemeriksa.
Di sinilah kecerdasan buatan (artificial intelligence/AI) mulai menunjukkan potensinya. Penelitian yang diterbitkan dalam Journal of Dentomaxillofacial Science pada 2026 mengembangkan model deep learning, khususnya convolutional neural network (CNN), untuk membantu mengklasifikasikan tingkat kehilangan tulang periodontal secara otomatis pada radiograf periapikal. Penelitian ini menggunakan 600 radiograf periapikal yang kemudian dikelompokkan menjadi empat kategori: normal, stadium I, stadium II, dan stadium III/IV. Empat model AI dibandingkan, yaitu DenseNet-121, DenseNet-201, VGG-Net 16, dan VGG-Net 19.
Hasilnya cukup menjanjikan. DenseNet-121 memberikan performa terbaik dengan akurasi 83,33%, sensitivitas 100%, dan spesifisitas 60%. Artinya, model tersebut mampu mengenali seluruh kasus kehilangan tulang periodontal pada data pengujian, meskipun masih terdapat kasus yang diklasifikasikan dengan tidak benar. Menariknya, tantangan terbesar justru terlihat ketika AI harus membedakan stadium awal, terutama antara stadium I dan II. Hal ini dapat dipengaruhi oleh perbedaan anatomi gigi, distorsi radiograf, teknik pengambilan gambar, serta karakteristik kehilangan tulang pada tahap awal yang relatif sulit dibedakan.
Temuan ini menunjukkan bahwa AI berpotensi menjadi alat bantu bagi dokter gigi, bukan pengganti dokter. Dengan kemampuan menganalisis pola pada radiograf secara cepat dan konsisten, AI dapat membantu meningkatkan efisiensi serta memberikan informasi tambahan dalam proses diagnosis.
Namun, teknologi ini masih memerlukan pengembangan lebih lanjut. Penelitian berikutnya perlu menggunakan jumlah data yang lebih besar dan lebih beragam, serta melakukan validasi pada data dari pusat pelayanan kesehatan yang berbeda. Dengan pengembangan tersebut, AI diharapkan dapat menjadi bagian dari sistem diagnostik kedokteran gigi yang semakin objektif, efisien, dan mendukung pengambilan keputusan klinis.
Penulis : Ramadhan Hardani Putra
Informasi detail dapat diakses pada tautan berikut: https://scholarhub.unhas.ac.id/jdmfs/vol11/iss2/3
