Künstliche Intelligenz in der Zahnmedizin

Wie kann KI uns nützen?

Was lange Zeit nach Science-Fiction klang, ist mittlerweile Thema in Politik, Wirtschaft und Presse: Künstliche Intelligenz (KI) ist Realität geworden. Was aber genau ist KI? Wie funktionieren KI-Anwendungen? Was muss der Anwender, ob als Nutzer in seinem Smartphone oder als Arzt in seiner Praxis, beachten? Der Beitrag erläutert die technologischen Hintergründe, skizziert Anwendungsbeispiele aus Medizin und Zahnmedizin und zeigt die Funktionalitäten von heutigen KI-Anwendungen an einem konkreten Beispiel.

Abb. 1: Vier unabhängige Entwicklungen beschleunigen die Anwendungsmöglichkeiten und -potenziale von KI-Anwendungen in der Medizin und Zahnmedizin. Falk Schwendicke

Der Begriff KI wurde Mitte der 1950er-Jahre geprägt, jedoch veränderte sich die Definition über die Zeit. Im American National Standard Dictionary of Information Technology [ANSDIT, 1996] wird KI definiert als die „Fähigkeit eines Geräts, Funktionen auszuführen, die normalerweise mit menschlicher Intelligenz verbunden sind, wie Denken, Lernen und Selbstverbesserung“.

Die beeindruckenden KI-Anwendungen von heute wurden durch eine Reihe technologischer Weiterentwicklungen ermöglicht (Abbildung 1):

  • Die Evolution von Hardware: Die Weiterentwicklung von Computerchips und vor allem Grafikkarten hat rechenintensive Anwendungen wie das Maschinelle Sehen (siehe unten) ermöglicht. Die Idee, Maschinen „sehen zu lassen“ und hierdurch Bilder analysieren zu können, ist bereits mehr als 50 Jahre alt. Allerdings standen jahrzehntelang nicht ausreichend Rechenkapazitäten zur Verfügung, um die aufwendigen Algorithmen, die ein solches Sehen ermöglichen, einzusetzen.
  • Die „Demokratisierung“ von Software: Heute stehen nicht nur großen universitären Forschungszentren oder Industriegiganten Algorithmen und Prozeduren zur Verfügung, um KI-Applikationen zu entwickeln. Ganz im Gegenteil; Software für die Entwicklung von KI-Algorithmen wird inzwischen frei erhältlich im Internet zur Verfügung gestellt. Der einfache Zugriff auf diese Technologie ermöglicht auch kleineren Unternehmen und Start-ups die Entwicklung von KI-Software und trägt damit mit zur rasanten Verbreitung solcher Applikationen bei.
  • Die vorhandenen Datenmengen sind explodiert. Die digitale Durchdringung aller Arbeits- und Lebensbereiche führt zu einer nie dagewesenen Verfügbarkeit riesiger Datenmengen. In 2020 stehen geschätzt etwa fünf- bis zehnmal so viele Daten zur Verfügung wie noch 2015. Daten gelten als „das neue Öl“; mit Daten verdienen Konzerne wie Google, Facebook oder Amazon ihr Geld. Gleichzeitig sind sie aber auch der Motor für KI-Weiterentwicklungen in Medizin und Zahnmedizin [Mertz, 2018]. Die bessere Nutzung von Daten wird auch für die Zahnmedizin ein zentrales Thema in den nächsten 30 Jahren sein [Schwendicke et al., 2019].
  • In der Medizin werden diese drei Entwicklungen ergänzt durch Fortschritte in der sogenannten Systemmedizin: Die „Omics“-Forschung, also beispielsweise Microbiomics (die Analyse des menschlichen Mikrobioms, unter anderem in der Mundhöhle), Genomics (die Analyse des menschlichen Genoms) oder auch Proteomics (die Analyse von an bestimmten Stoffwechselvorgängen oder Krankheiten beteiligten Proteinen) ermöglichen ein nie gekanntes Maß an Detailverständnis zu physiologischen und pathologischen Vorgängen im menschlichen Körper [Grapov et al., 2018]. Auch hier fallen die Möglichkeiten, entsprechende Analysen durchführen zu können (Hardwareentwicklung) mit der Möglichkeit zusammen, die generierten riesigen Datenmengen zu analysieren (Softwareentwicklung). In der Zahnmedizin sind diese Omics-Technologien bisher weniger relevant, allerdings werden sinkende Preise im Bereich von Omics-Hardware eine Verbreitung dieser Methoden in der Zahnmedizin mittelfristig vorantreiben.

Diese skizzierten Trends haben das Feld der KI in der vergangenen Dekade enorm beschleunigt und zahlreiche Anwendungsbereiche eröffnet. Hierzu gehören das bereits benannte Maschinelle Sehen (a), die Sprachverarbeitung (b), die Robotik (c) und Virtual Reality oder Simulationssysteme (d). Für diese Felder finden sich auch in der medizinischen Arena zahlreiche Anwendungsfelder [Yu et al., 2018]:

a) Die Analyse von medizinischen Bildern mittels Maschinellem Sehen (histologische Bilder, Röntgenbilder oder klinische Fotos) hat enormes Potenzial zur Qualitätsverbesserung und Zeiteinsparung [Miller & Brown, 2019].

b) Die Sprachverarbeitung durch Maschinen erlaubt eine sprachbasierte, semi-automatische Dokumentation sowie die sinnvolle Systematisierung und Verknüpfung bereits archivierter und neu hinzukommender Informationen in Patientenakten; selbst die Interaktion von Maschinen mit Patienten ist heute bereits durch Sprache möglich (zum Beispiel Onko-Bots oder Pflegeroboter) [Bhavaraju, 2018; Avati et al., 2018].

c) In der Chirurgie sind Operationsroboter bereits relativ weit verbreitet; auch in der Zahnmedizin kann theoretisch heute schon robotergestützt operiert werden. So ist beispielsweise eine vollautomatische Implantation durch einen autonom agierenden Roboter heute bereits technisch möglich – hier ist es aber vor allem der Preis einer solchen Prozedur, der einen routinemäßigen Einsatz unwahrscheinlich macht [Wu et al., 2019].

d) Simulationssysteme werden heute in der Pharmaforschung bereits standardmäßig zur Identifikation neuer Wirkstoffe eingesetzt und die Simulation von physiologischen Vorgängen des stomatognathen Systems unter Rückgriff auf Scan- und andere Erfassungssysteme ist bereits heute Teil des digitalen Workflows in Chirurgie oder Prothetik [Schwendicke et al., 2020].

Die Erwartungen an KI-Anwendungen sind heute so hoch wie selten zuvor (Abbildung 2). Allerdings hat das Feld der KI schon diverse Höhen und Tiefen erlebt: Auf jede Euphorie folgte bisher stets Ernüchterung. Wie weiter unten dargelegt, sind in der medizinischen KI-Anwendung noch zahlreiche Fragen offen. Diese sollten rasch und systematisch beantwortet werden: Nur belastbare, robuste, vertrauenswürdige KI-Anwendungen werden es schaffen, aus der aktuellen Euphorie eine lang anhaltende Akzeptanz dieser neuen Technologie zu schöpfen.

Abb. 2: Die Geschichte der KI ist durch Höhen und Tiefen gekennzeichnet; nach zahlreichen Rückschlägen ist der Optimismus heute größer als je zuvor. | Quelle: Schwendicke, Gaudin, Krois 

Maschinelles Lernen

Eine zentrale technische Komponente vieler der geschilderten KI-Anwendungen ist das sogenannte Maschinelle Lernen (ML). Beim ML ist es nicht der menschliche Programmierer, der der Maschine die Regeln vorgibt. Stattdessen lernt die Maschine selbst, sich Regeln aus vorhanden Daten abzuleiten. Dies erfolgt folgendermaßen:

  • Bestimmten Datenobjekten, zum Beispiel Bildern, werden durch einen Menschen (den sogenannten Annotator) bestimmte Informationen zugeordnet. Dies würden bei Bilddaten beispielsweise Bildinformationen sein („Auf diesem Bild ist ein Bus zu sehen.“). Diese Form des Maschinellen Lernens, in der Beispiele und dazugehörige Antworten zum Lernen genutzt werden, bezeichnen wir als überwachtes Lernen („supervised learning“). Anders als bei der Annotation von Fotos aus der Alltagswelt (wo Busse, Ampeln oder Hydranten identifiziert werden müssen) gilt es bei medizinischen Annotationen zu beachten, dass Expertenwissen notwendig ist. Medizinische Annotationen sind daher oft teurer und auch schwieriger (Ein einzelner Annotator kann mit hoher Sicherheit eine Ampel detektieren, hat aber bei der Detektion von Pathologien auf Bildern gewisse Grenzen.).
  • Aus den zwei „Hauptzutaten“ (1) Datensatz (also beispielsweise Tausende von Bildern mit Bussen, Katzen und Hunden) und (2) Informationen (zum Beispiel Bildinformationen) können Maschinen nun in einem iterativen Prozess statische Muster in den Daten verstehen und abstrahieren lernen. Hierbei lernen die Maschinen schrittweise aus ihren eigenen Fehlern: Der Algorithmus generiert zunächst zu einem Datenpunkt (Bild) eine (gegebenenfalls zufällige) Information (zum Beispiel Bus). Nun wird das Ergebnis mit der wahren Information des Datenpunkts abgeglichen. Aus der Übereinstimmung oder der Nicht-Übereinstimmung und über zahlreiche Wiederholungsschritte („Epochen“) wird der Algorithmus iterativ und schrittweise optimiert, so dass am Ende des Trainingsprozesses die Fehlerquote minimiert wird.
  • Am Ende sollte ein so trainierter Algorithmus in der Lage sein, auch auf bisher nicht gesehenen Datensätzen selbstständig korrekt die zugehörigen Informationen zu generieren.

ML steckt auch hinter der heute am weitesten verbreiteten KI-Anwendung in der Medizin, dem sogenannten Maschinellen Sehen.

Wie sehen Maschinen?

Maschinen realisieren das Sehen völlig anders als Menschen. Menschen sehen auf Bildern Farben, Formen, Muster und Strukturen, die sich uns als Objekte mit Namen und Bezeichnungen erschließen. Maschinen hingegen sehen in Bildern nur Zahlen, die den Intensitätswerten der einzelnen Bildpunkte (Pixel) entsprechen. Um Maschinen das Sehen beizubringen, müssen zuerst Bildeigenschaften extrahiert und diese in prozessierbare Einheiten überführt werden. Dazu werden Bildfilter genutzt, die bestimmte Bildeigenschaften (Kanten, Rundungen, Farben, Texturen, ...) hervorheben. Diese Filter scannen das gesamte Bild und sobald eine entsprechende Struktur erkannt wird, schlägt der Filter aus. Jeder Filter erzeugt dadurch eine eigene Repräsentation des Originalbildes. Manche Filter erkennen Kanten, andere Rundungen und wieder andere eine bestimmte Farbe. Durch den Einsatz von vielen Hunderten von Filtern auf demselben Bild wird eine riesige Anzahl an Bildrepräsentationen erstellt, die Inhalte und Strukturen im Originalbild beschreiben.

Diese multidimensionale numerische Abbildung der Realität ist für den Menschen nicht mehr interpretierbar, beschreibt aber für die Maschine – abstrahiert in Zahlen – den Inhalt des Bildes. Diese als Tensor bezeichnete Datenstruktur kann nun mittels Methoden des ML analysiert werden, wobei gerade für Bilddaten eine besondere Form des ML, das sogenannte Tiefe Lernen („Deep Learning“) eingesetzt wird. Hierbei werden künstliche neuronale Netzwerke (KNN) eingesetzt, die aufgrund ihrer mathematischen Eigenschaften als „universelle Approximationsmaschinen“ gelten. Diese KNN werden wie oben dargelegt mit annotierten Bilddatensätzen trainiert und erlernen iterativ, der stark abstrahierten und oft sehr komplexen Datenstruktur des Tensors ein Ergebnis (meist die Bezeichnung einer Objektklasse, zum Beispiel „Auto“) zuordnen. KNN sind hierbei dem Menschen bereits heute in vielen Anwendungsfällen des Maschinellen Sehens, so beispielsweise bei der Bildklassifikation oder Objektdetektion, weit überlegen.

Künstliche Intelligenz in Medizin und Zahnmedizin

Neben den bereits umschriebenen Anwendungen im Bereich der Sprachauswertung und der Robotik hat es gerade das Maschinelle Sehen in den vergangenen Jahren in Medizin und Zahnmedizin weit gebracht; vor allem bei der automatisierten Analyse von medizinischen Bildern können Maschinen den menschlichen Experten unterstützen [Wagner, 2019]. So kann zum Beispiel das manuelle Auswerten von histopathologischen Bildern durch eine Maschine massiv beschleunigt werden [Niazi et al., 2019]; Pathologen können ihr Fachwissen nun auf wenige kritische unsichere Bereiche lenken, während die Maschine die arbeitsintensive Segmentierung von Zellkernen und Zellumrissen automatisiert erledigen und somit die Arbeitsgeschwindigkeit von Pathologen enorm erhöhen kann.

Ebenso kann in der Dermatologie durch KI-Anwendungen die Klassifikation von dermatologischen Krankheitsbildern auf fotografischen Bildern unterstützt und der Dermatologe entlastet werden. Bei beiden Anwendungsbeispielen ist die Maschine möglicherweise nicht genauer als der Mensch, sie ist jedoch um ein Vielfaches schneller und kann helfen, die knappe „Ressource“ Pathologe oder Dermatologe zu entlasten. KI kann demnach helfen, medizinische Versorgung effizienter zu machen: Einen Termin beim Dermatologen erhalten dann vor allem (und zeitnah) Patienten, bei denen der Hausarzt, unterstützt durch KI, eine unklare oder möglicherweise schwerwiegende Diagnose vermutet.

Ähnliche Anwendungsbeispiele finden sich auch in der Augenheilkunde, wo lange Wartezeiten auf Befundungstermine (zum Beispiel für Spiegelungen des Augenhintergrunds) nicht unüblich sind. Hier kann KI helfen, dringliche Konsultationen (zum Beispiel für feuchte Makuladegeneration) zu priorisieren, weil bereits der Hausarzt eine solche Diagnose KI-gestützt gestellt hat [Balyen und Peto, 2019]. Auch bei der Befundassistenz von komplexen Röntgenbildern, beispielsweise CT- oder DVT-Bildern, kann KI hilfreich sein. So sind heute bereits zahlreiche KI-Modelle im Einsatz, die in Bauch- oder Thorax-CTs Organe segmentieren und den Arzt hierdurch entlasten. In allen beschriebenen Fällen ist es so, dass KI den Arzt unterstützt und nicht ersetzt [Syed und Zoga, 2018]. Die finale Diagnose und Entscheidung liegen allein beim Arzt.

Auch in der Zahnmedizin wird zunehmend an KI-Anwendungen geforscht. Vor allem im Bereich des Maschinellen Sehens findet zurzeit eine Wissensexplosion statt (Abbildung 3). Die Zahl der Publikationen zu KI im Bereich Zahnmedizin stieg vor allem in den vergangenen fünf Jahren sehr stark an. Ein zentrales Anwendungsfeld ist hierbei die Röntgenbildanalyse. So arbeiten weltweit mehrere Gruppen daran, KI-Modelle zu entwickeln, die Zahnärzte bei der Befundung von Panoramaschichtaufnahmen, Einzelbildern, Bissflügelaufnahmen oder Fernröntgenseitenaufnahmen unterstützen [Endres et al., 2020; Schwendicke et al., 2020; Cantu et al., 2020; Leite et al., 2020; Hiraiwa et al., 2019]. Diese Unterstützung umfasst sowohl die Detektion und Klassifikation von Pathologien (apikale Läsionen, parodontaler Knochenabbau, Karies, aber auch Osteoporose oder Frakturen) als auch die Detektion und Klassifikation von physiologischen Strukturen oder zahnärztlich verarbeiteten Materialien wie zum Beispiel Füllungen, Kronen, Implantate [Schwendicke et al., 2020].

Abb. 3: Anzahl der Einträge in der PubMed-Datenbank zum Thema „Artificial Intelligence“ und „dental“, nach Jahren | Quelle: Pubmed

Beim Einsatz von KI stehen drei Vorteile im Vordergrund:

1. Die Detektion von anatomischen Strukturen, Füllungen, Kronen oder Implantaten entlastet den Zahnarzt. Durch eine Zuordnung der Detektionen zu bestimmten Zähnen kann ein „Vorbefund“ erzeugt werden, der umfänglich und systematisch ist und vom Zahnarzt nur noch einmal kontrolliert werden muss. Hierbei wird Zeit gespart und die Dokumentationsqualität erhöht.

2. Zur Pathologiedetektion sollten die entwickelten Modelle mindestens genauso gut wie ausgebildete Zahnärzte sein; nicht selten jedoch übertreffen KI-Modelle auch zahnärztliche Experten. In einer kürzlich publizierten Studie konnte gezeigt werden, dass KI-Modelle frühe Karies auf Bissflügelröntgenbildern teilweise deutlich besser erkennen als Zahnärzte [Cantu et al., 2020]. Interessanterweise war der Unterschied zwischen KI und Zahnärzten bei der Detektion vorangeschrittener kariöser Läsionen nur minimal, während die KI beim Erkennen der Karies-Frühstadien deutlich besser abschnitt.

3. Ein dritter Vorteil ist der Einsatz von KI-Anwendungen zur Patientenkommunikation. Bestimmte KI-Lösungen, wie die weiter unten vorgestellte Software dentalXrai Pro, erlauben es, Pathologien farblich hervorzuheben: Patienten können so in die Lage versetzt werden, Pathologien nicht nur im schwarz-weißen Bild beschrieben zu bekommen, sondern wirklich zu sehen. Dieser Verständnisgewinn ist ein enormer Vorteil für den Patienten und für eine gemeinsame Entscheidungsfindung.

Chancen und Herausforderungen

Schnellere und effizientere Prozesse, eine Entlastung der Ärzte, eine bessere Patientenkommunikation, eine genauere Detektion und schlussendlich eine bessere Diagnostik- und Therapiequalität – das sind die Vorteile, die KI-Anwendungen versprechen. Zudem soll KI künftig auch mit immer komplexeren medizinischen Daten umgehen können. Am Horizont erscheint die Vision, Diagnostik und Therapie durch intelligente Datennutzung und Verknüpfung personalisierter zu gestalten und Behandlungen präziser durchzuführen. Medizin und Zahnmedizin können früher intervenieren und präventiver sein.

Allerdings stehen dem heute noch zahlreiche Hürden entgegen. Das junge Feld der KI-Forschung in der Medizin ist bisher methodisch nur bedingt in der Lage, belastbare Ergebnisse zu erzeugen. Viele KI-Anwendungen kommen über das Forschungsstadium zunächst nicht hinaus. Es zeigt sich, dass der Schritt von der Forschung in die Anwendung – anders als es die mitunter euphorisch vorgetragenen Visionen vermuten lassen – in der Praxis alles andere als einfach ausfällt, sondern langwierig, komplex und teuer zu werden scheint.

Auch sind viele KI-Anwendungen nur bedingt generalisierbar und robust – die relativ kleinen Datenmengen, die in der Medizin zur Verfügung stehen, schränken nicht nur die Genauigkeit von KI ein, sondern begrenzen auch die Übertragbarkeit von KI-Modellen: Die an Daten einer Population (zum Beispiel kaukasische Ethnien aus zahnärztlich gut versorgten Ländern) trainierten Modelle sind nicht zwingend generalisiert anwendbar auf Daten anderer Populationen (zum Beispiel Südasiaten mit wenig Zugang zu zahnmedizinischen Leistungen). Viele KI-Anwendungen sind zudem nur bedingt validiert worden, eine Validierung an externen Daten oder in prospektiven Studien ist oft nicht erfolgt. Unklar ist auch, inwieweit die demonstrierten Genauigkeitsdaten einer KI-Anwendung sich in Patientennutzen oder Nutzen für das Gesundheitssystem, wie zum Beispiel Effizienzgewinne oder in der Verringerung von Gesundheitsungleichheiten, niederschlagen.

dentalXrai Pro – eine KI-basierte Software für zahnmedizinische Anwendungen

Die Software dentalXrai Pro (Abbildung 6) wurde an der Zahnklinik der Charité, Universitätsmedizin Berlin, entwickelt und wird durch eine Charité-Ausgründung, die dentalXrai GmbH, vertrieben und weiterentwickelt. Die Software ist ein KI-basiertes Diagnoseunterstützungssystem für dentale Röntgenbilddaten. Sie unterstützt die Lokalisierung und die Klassifizierung von Zähnen sowie die Erkennung und die Dokumentation von Pathologien (Karies und apikale Läsionen) sowie von nicht-pathologischen Strukturen (Füllungen, Kronen, Implantate, Brücken und Wurzelkanalfüllungen).

Abb. 6: Die Software dentalXrai Pro ist ein KI-basiertes Diagnoseunterstützungssystem für dentale Röntgenbilddaten. Die Analyseansicht der Software erweitert die Funktionen eines klassischen Bildbetrachtungssystems, indem automatisch erkannte Strukturen und Pathologien auf dem Röntgenbild (1), in einem Zahnschema (2) und in der Liste der Detektionen (3) angezeigt werden. Das Speichern des Befunds (4) dient Archivierungszwecken und erlaubt den Austausch mit Patienten und Kollegen. | Schwendicke

Die maschinell detektierten Befunde können vom Zahnarzt bei Bedarf ergänzt, korrigiert und kommentiert werden. Der diagnostische Befund wird automatisch auf eine Zahnkarte übertragen und kann danach gespeichert oder ausgedruckt werden. Vorhandene Schnittstellen ermöglichen es, die Software mit anderen Softwaresystemen zu verbinden (zum Beispiel PVS) und den Befund innerhalb der IT-Infrastruktur weiterzuverarbeiten. Insgesamt spart die Software dem Zahnarzt Zeit, sichert einen Qualitätsstandard und stellt Arzt und Patient ein farblich augmentiertes Röntgenbild als Gesprächsgrundlage zur Verfügung.

Die Markteinführung von dentalXrai Pro erfolgt voraussichtlich im ersten Quartal 2021. Damit zählt die Software zu den weltweit ersten kommerziell vertriebenen KI-basierten Lösungen für zahnmedizinische Anwendungen.

Nicht zuletzt sind viele KI-Modelle durch ihre komplexe intrinsische Struktur nur wenig interpretierbar; man spricht von einem „Black Box Modell“, bei dem für Nutzer nicht erkennbar ist, anhand welcher Kriterien die KI zu einem Ergebnis kommt (Abbildung 4). Neuere technologische Ansätze helfen zu verstehen, worauf KI-Modelle ihre Entscheidungsfindung aufbauen. Erklärbare KI kann das Vertrauen in KI-basierte Anwendung stärken, weil die maschinelle mit der menschlichen Logik abgeglichen und so verifiziert werden kann. Dies ist relevant, weil aus anderen KI-Forschungsfeldern bekannt ist, dass KI-Modelle zu systematischen Verzerrungen neigen.

Aufgrund der beschriebenen Probleme muss sichergestellt werden, dass KI in Medizin und Zahnmedizin robust, generalisierbar, transparent und erklärbar entwickelt und validiert wird. Auch KI-Forschung muss evidenzbasiert erfolgen und KI-Anwendungen müssen sich an den hohen Hürden einer evidenzbasierten Medizin messen lassen. Zahlreiche Initiativen lassen hier jedoch hoffen. So hat beispielsweise die Internationale Telekommunikationsvereinigung (ITU) zusammen mit der Weltgesundheitsorganisation (WHO) eine Gruppe ins Leben gerufen, die Standards für KI-Anwendungen in der Medizin definiert [ITU, 2020]. Die Autoren arbeiten für den Bereich der Zahnmedizin in dieser Gruppe mit. Auch an anderen Stellen wird intensiv an Qualitätsrichtlinien für KI-Forschung in der Medizin und Zahnmedizin gearbeitet. In der Zahnmedizin sollten diese Richtlinien zumindest überblickshaft verstanden werden, um zukünftige KI-Anwendungen entsprechend kritisch beurteilen können. Für den Zahnarzt von morgen wird es genauso wichtig sein, die Qualität von KI-Anwendungen einschätzen zu können, wie die Qualität einer neuen Behandlungseinheit oder eines neuen endodontischen Instruments.

Abb. 4: KI-Modelle sind aufgrund ihrer komplexen intrinsischen Struktur oft nicht erklärbar, also „Black Box Modelle“. Sie sind in der Lage, auf Bildern beispielsweise Hähne von Katzen und Pferden zu unterscheiden (a). Durch neue Techniken zur Erklärbarkeit (Re-Identifikation von für die Erkennung relevanten Bildarealen beziehungsweise Pixeln, b) kann untersucht werden, worauf die KI schaut: In (c) wird deutlich, dass für Hähne und Katzen logische und auch für Menschen relevante Merkmale die KI-Entscheidung beeinflussen; für die Entscheidung „Pferd“ zieht die KI jedoch ein Copyright-Label zurate: Offensichtlich enthielt der Trainingsdatensatz viele Pferdebilder mit Copyright-Labeln; das Modell hat fälschlicherweise gelernt, ein solches Label mit dem Vorhandensein eines Pferdes zu assoziieren. Um solche Verzerrungen zu erkennen, sollten medizinische KI-Modelle zwingend transparent auf ihre innere Logik und Erklärbarkeit geprüft werden. | Quelle: modifiziert aus: Schwendicke et al., 2020

Abb. 5: Im Unterschied zu einer klassischen Softwareentwicklung, bei der nach der Festlegung der angestrebten Funktionalität sofort mit der Programmierung begonnen wird, bilden bei der Entwicklung von KI-Systemen Daten und deren Analyse (Annotation der interessierenden Parameter) den Ausgangspunkt. Daraus werden Modelle und Algorithmen entwickelt, die für die Arbeit der Software benötigt werden. Viele dafür benötigte Technologien werden im Internet als Open Source angeboten. Aus dem Programmieren der Benutzeroberfläche und dem Zusammenfügen der Algorithmen und Modelle entsteht schließlich die KI-Software. | Schwendicke, Gaudin, Krois

Fazit

Aktuell sind für den zahnärztlichen Bereich nur wenige KI-Anwendungen bereits auf dem Markt erhältlich. Mehrere Anwendungen bieten KI-gestützte Hilfe bei der Vorbefundung von Röntgenbildern an. Für die Kieferorthopädie existiert eine Software, die die Vermessung von Gebiss und Schädel anbietet. Die Leistungsfähigkeit dieser Anwendungen ist aufgrund vielfach fehlender Studien schwer einzuschätzen. Andererseits zeigt sich das Feld der KI-Forschung hochdynamisch und auch in der Zahnmedizin werden in rascher Folge neue Anwendungsfelder für KI erschlossen. Es kann also damit gerechnet werden, dass in naher Zukunft weitere KI-Produkte auf den Markt drängen werden.

Die Chancen von KI für die Zahnmedizin liegen in einer besseren Diagnostik- und Therapiequalität, der integrativeren Nutzung von Daten und somit einer präziseren, präventiveren Zahnmedizin, einer möglichen Zeitersparnis für arbeitsintensive Routineaufgaben und der engeren Einbindung des Patienten in Entscheidungs- und Therapieabläufe. Allerdings sind die Hürden für belastbare, generalisierbare, transparente KI-Anwendungen in Medizin und Zahnmedizin besonders hoch, da es hier letztlich um die Gesundheit der Patienten geht. Eine KI-basierte Software muss sich – wie alle diagnostischen und therapeutischen Methoden in der Medizin – einer Erfolgs- und Nutzenüberprüfung im klinischen wie auch im wissenschaftlichen Rahmen stellen.

Prof. Dr. Falk Schwendicke, MDPH
Leiter der Abteilung für Zahnärztliche Diagnostik, Digitale Zahnheilkunde und Versorgungsforschung
Centrum 3 für Zahn-, Mund- und Kieferheilkunde, Charité – Universitätsmedizin Berlin
Aßmannshauser Str. 4–6, 14197 Berlin

Dr. med. Robert A. Gaudin
Mund-, Kiefer- und Gesichtschirurgie, Charité – Universitätsmedizin Berlin
Hindenburgdamm 30, 12203 Berlin

Dr. rer. nat. Joachim Krois
Abteilung für Orale Diagnostik, Digitale Zahnheilkunde und Versorgungsforschung,
CharitéCentrum 3 für Zahn-, Mund- und Kieferheilkunde, Charité – Universitätsmedizin Berlin
Aßmannshauser Str. 4–6, 14197 Berlin

37160033691105369110636911073716004 3716005 3691108
preload image 1preload image 2preload image 3preload image 4preload image 5preload image 6preload image 7preload image 8preload image 9preload image 10preload image 11preload image 12preload image 13preload image 14preload image 15preload image 16preload image 17preload image 18preload image 19preload image 20preload image 21preload image 22preload image 23preload image 24preload image 25preload image 26preload image 27preload image 28preload image 29preload image 30preload image 31preload image 32preload image 33preload image 34preload image 35preload image 36preload image 37preload image 38preload image 39preload image 40preload image 41preload image 42preload image 43preload image 44preload image 45preload image 46preload image 47preload image 48preload image 49preload image 50preload image 51preload image 52preload image 53preload image 54preload image 55preload image 56preload image 57preload image 58preload image 59preload image 60preload image 61preload image 62preload Themeimage 0preload Themeimage 1preload Themeimage 2preload Themeimage 3preload Themeimage 4preload Themeimage 5preload Themeimage 6preload Themeimage 7preload Themeimage 8preload Themeimage 9preload Themeimage 10preload Themeimage 11preload Themeimage 12preload Themeimage 13preload Themeimage 14preload Themeimage 15preload Themeimage 16preload Themeimage 17preload Themeimage 18preload Themeimage 19preload Themeimage 20preload Themeimage 21preload Themeimage 22preload Themeimage 23preload Themeimage 24preload Themeimage 25preload Themeimage 26preload Themeimage 27preload Themeimage 28
Bitte bestätigen Sie
Nein
Ja
Information
Ok
loginform
Kommentarvorschau
Kommentarvorschau schliessen
Antwort abbrechen
Ihr Kommentar ist eine Antwort auf den folgenden Kommentar

Keine Kommentare