Fortbildung Digitale Zahnmedizin

Künstliche Intelligenz: Die Perspektiven der Datenzahnmedizin

Digitale Prozesse, Dokumentationen, Diagnose- und Behandlungsmethoden haben im Gesundheitswesen zu einer geradezu explosionsartig ansteigenden Menge an Daten geführt. Die Mittel der Wahl, um dem ungeheuren Datenberg Wissen abzutrotzen, sind kluge wissenschaftliche Fragestellungen und die mathematischen Algorithmen der „künstlichen Intelligenz“ (KI). Auch die Zahnmedizin kann vielfältig von dieser Entwicklung profitieren – der Beitrag beschreibt die Chancen, aber auch die Schwierigkeiten auf dem Weg zu einer „Datenzahnmedizin“.

2 CME-PUNKTE
CME-Fortbildung
Diese Fortbildung ist abgelaufen.

Abb. 1: Bereits heute ist Künstliche Intelligenz in vielen zahnmedizinischen Bereichen im Einsatz. Aus einem Block gefräste Kronen benötigen 3-D-Daten, die durch die automatisierte Erfassung von IOS-gescannten 3-D-Punktwolkendaten generiert werden. Auch die 3-D-Druckdaten für Aligner werden vorab von künstlicher Intelligenz aufbereitet. Doch welche Anwendungen sind darüber hinaus in der Zahnmedizin denkbar? Florian Beuer, Ufuk Adali

Künstliche Intelligenz (KI) klingt für viele noch immer nach Science-Fiction, dabei sind zahlreiche Alltagsanwendungen heute ohne KI nicht vorstellbar: die Gesichtserkennung in unserem Smartphone oder am Passautomaten am Flughafen, die Überwachung von Kreditkartenausgaben zur Betrugskontrolle, die automatische Produkt- oder Filmvorauswahl bei Amazon oder Netflix, die Verkehrssteuerung in zahlreichen Städten oder auch 
das Autonome Fahren – all diese Anwendungen nutzen die eine oder andere „KI-Technologie“. KI bezieht sich im Allgemeinen auf Technologie, die Aufgaben ausführen kann, die in der Regel mit menschlichem Handeln und Intelligenz assoziiert sind, so wie zum Beispiel Wahrnehmung, Lernen, Schlussfolgern oder autonomes Verhalten. Hierunter fallen unter anderem Forschungs- und Anwendungsfelder wie die Robotik, die Sprachverarbeitung, das „Computersehen“, Computersimulationen und vieles mehr. 

| Schwendicke, Krois

Dabei ist KI kein neues Feld: Seit fast 70 Jahren wird das Thema in der technischen Domäne mal mehr, mal weniger intensiv diskutiert. Über lange Zeit fehlten jedoch die entscheidenden Voraussetzungen, um die diversen KI-Technologien in erfolgreiche Anwendungen zu überführen: 

  • Hardware, um große Datenmengen und komplexe Daten wie Bilder bearbeiten zu können
  • große Datenmengen und die Möglichkeit, diese zu speichern
  • Softwarekonzepte, die es ermöglichen, mit diesen großen Datenmengen erfolgreich arbeiten zu können

Auch in der Zahnmedizin ist KI bereits heute weit verbreitet – steckt doch in jedem digitalen Workflow unter Zuhilfenahme von CAD/CAM-Technologie KI: Gefräste Teilkronen und gedruckte Aligner sind ohne KI nicht denkbar (Abb. 1)! Der vorliegende Beitrag wendet sich jedoch anderen, neueren Anwendungsfeldern von KI in der Zahnmedizin zu. Dabei zentral sind Daten: Eine datengetriebene Zahnmedizin wird die Interaktion zwischen Zahnarzt und Patient verändern, sie wird die Diagnostik und die Therapieplanung zielgerichteter, wirksamer und damit besser machen, sie wird die Zugangsschwellen zu zahnmedizinischer Versorgung in vielen Teilen der Erde senken und sie wird ein besseres Verständnis der Mundgesundheit unserer Patienten ermöglichen.

Das Datenzeitalter 

Die beiden grundlegenden Forschungspfeiler zum Verständnis der Natur sind lange Zeit die experimentellen und die theoretischen Wissenschaften gewesen. In den vergangenen Jahrzehnten sind Computersimulationen zu einem dritten Pfeiler geworden. Heutzutage – im digitalen Zeitalter – ist die datenintensive Wissenschaft als vierter Pfeiler hinzugekommen: 

  • Immer mehr Forschung ist datengetrieben. 
  • Daten gelten als eine Schlüsselressource für moderne Gesellschaften und deren Wohlstand, unter anderem weil die Kosten für die Nutzung von Daten gering sind und stetig sinken. 
  • Daten sind eine unerschöpfliche Ressource, die so oft wie nötig und von so vielen Akteuren wie technologisch möglich gleichzeitig genutzt werden kann.
  • Dieselben Daten können für eine Vielzahl von Anwendungen über Branchen und Märkte hinweg genutzt werden.
  • Die intelligente Nutzung von Daten optimiert die Effizienz konventioneller Prozesse und Abläufe [Klingenberg et al., 2019] (Abbildung 2). 

Abb. 2: Die Daten der Welt (einheitslose Schätzung): Analoge Datenspeicher (in Orange, kaum sichtbarer kleiner Streifen am unteren Rand) speicherten bis Anfang der 2000er-Jahre die Mehrzahl der Daten. Seit 2000 sind digitale Datenspeicher auf dem Vormarsch, zunächst als Vorortspeicher (zum Beispiel CDs, DVDs, lokale Festplatten; in Gelb), seit über zehn Jahren aber vor allem in Rechenzentren (Cloud; in Grün). Die Gesamtdatenmenge hat sich in den vergangenen 20 Jahren vertausendfacht. | Schwendicke, Krois

Während große Technologieunternehmen wie Google, Facebook oder Amazon den Wert von Daten bereits in den 1990er- und 2000er-Jahren erkannt haben, ist diese Erkenntnis im Gesundheitswesen erst seit einer Dekade gereift: Daten könnten eine bessere, sicherere, zuverlässigere, erschwinglichere und zugänglichere Versorgung ermöglichen. Und die Datenmengen im Gesundheitswesen explodieren: Im Jahr 2013 wurde das globale Gesundheitsdatenvolumen auf 153 Exabyte geschätzt (1 Exabyte = 1018 Byte). Sieben Jahre später, 
im Jahr 2020, lag das geschätzte Volumen bei 2.314 Exabyte. Diese Daten zu bewältigen, ist eine zentrale Aufgabe von KI-Anwendungen. Konventionelle Datenanalysen sind hierbei oft nicht mehr ausreichend, stattdessen wird vermehrt auf eine fortgeschrittene KI-Technologie gesetzt: das Maschinelle Lernen.

Maschinelles Lernen 

Das Maschinelle Lernen (ML) ist zentral, wenn es darum geht, große Datenmengen zu analysieren und produktiv zu nutzen. Beim ML erlernen Systeme statistische Zusammenhänge in Daten. Die meisten ML-Anwendungen, auch für medizinische Anwendungen, basieren auf dem sogenannten Überwachten Lernen, bei dem Eingangsdaten und das erwartete Ergebnis wiederholt dem lernenden System zugeführt werden. Dadurch wird der Algorithmus trainiert, von den Eingangsdaten auf das Ergebnis zu schließen, was schließlich auf ungesehenen Daten Vorhersagen ermöglicht. 

Deep Learning (DL), ein Teilbereich von ML, hat in den vergangenen Jahren einen dramatischen Aufschwung erlebt, angetrieben durch die zunehmende Verfügbarkeit großer Datensätze, leistungsstarker Rechenressourcen und frei zugänglicher Software [LeCun et al., 2015]. DL nutzt künstliche neuronale Netze (englisch: Artificial Neural Networks, ANN), die sich als besonders nützlich für die Verarbeitung von Bildern (Computer Vision) und Sprache (Natural Language Processing, NLP) erwiesen haben (Abbildung 3).

Abb. 3: Zu den Subfeldern von KI gehören das Maschinelle Lernen und dessen Unterform, 
das sogenannte Deep Learning. | Schwendicke, Krois

Computer können sehen

Klassifikation und Mustererkennung gehören zu den grundlegenden Techniken der medizinischen Bilddatenverarbeitung (zum Beispiel bei Röntgenbildern, Fotos und histologischen Schnitten). Gerade durch die Anwendung von ANN konnten in den vergangenen Jahren Systeme entwickelt werden, die den menschlichen Fähigkeiten sehr nahekommen und in bestimmten Anwendungsbereichen Expertenniveau erreichen.

Grundlage dieser enormen Leistungssteigerung ist die Anwendung von spezialisierten ANN, den sogenannten Konvolutionalen Neuronalen Netzwerken (englisch: Convolutional Neural Network, CNN). Diese bestehen aus zwei wesentlichen Komponenten, einem Extraktor für Bildinformationen und einem klassischen ANN. Der Extraktor besteht aus einer Vielzahl von frei parametrisierbaren Filtern, die das Originalbild Pixel für Pixel abtasten und dabei quasi neue Bilder erschaffen. Je nach Filter entstehen dabei Bilder, die besonders deutlich einzelne Farben, Formen, Texturen oder Muster darstellen. Kombiniert man all diese Bildrepräsentationen, entsteht ein multidimensionales Bildobjekt, das dann – transformiert in eine lange Zahlenkolonne aus einzelnen Pixelwerten – an ein ANN weitergegeben wird. Dieses wird daraufhin trainiert, diese Zahlenkolonne mit zum Beispiel einem bildbeschreibenden Begriff in Zusammenhang zu bringen. So lernen CNN Bilder zu klassifizieren oder Objekte im Bild zu verorten.

Auf zahnmedizinischen Bilddaten wurden CNN bisher eingesetzt, um Zahnkaries, apikale Läsionen, parodontalen Knochenschwund, Zahnfrakturen oder Sinusitis zu erkennen. Die berichteten Genauigkeiten für die meisten dieser Aufgaben sind vielversprechend und die ersten KI-Tools für die Dentaldiagnostik kommen derzeit auf den Markt [Schwendicke et al., 2019] (Abbildung 4).

Abb. 4: Kariesdetektion mit künstlicher Intelligenz: Die KI erkennt Zähne, Restaurationen (in Blau), frühe und vorangeschrittene kariöse Läsionen (in Rot). | Schwendicke, Krois

Computer können lesen, schreiben und sprechen

Die Fähigkeit von Computern, „natürliche“, also auch wenig strukturierte Alltagssprache – geschrieben oder gesprochen – zu verstehen und zu reproduzieren, wird unter dem Begriff Natural Language Processing (NLP), also natürliche Sprachprozessierung, zusammengefasst. NLP erlaubt es Computern, Bedeutung aus Text und Sprache abzuleiten, diese zu übersetzen oder auch selbst zu generieren. Gerade die vergangenen Jahre haben hier eine enorme Dynamik gebracht. Neue Modellarchitekturen, hier vor allem die sogenannten Transformer-Netzwerke, erlauben die Berücksichtigung längerer und komplexerer Textsequenzen, so dass Modelle und Anwendungen entstehen, die in der Lage sind, thematisch zusammenhängende und stilistisch konsistente Texte zu generieren. Diese können nicht mehr von Texten, die von realen Personen geschrieben wurden, unterschieden werden.

Für medizinische Anwendungsfälle kann NLP helfen die vorhandenen, unstrukturierten Mengen an Textdaten in elektronischen Patientenakten, aber auch beispielsweise in E-Mail-Verkehren nutzbar zu machen, ohne dabei auf intensives Redigieren durch Menschen angewiesen zu sein. So könnten die oftmals enorm großen, vorhandenen Datenmengen zu jedem einzelnen Patienten in jeder Praxis erschlossen, systematisiert und rasch zugreifbar gemacht werden – mit einem Klick. Auf diesen Daten könnten dann Vorhersagemodelle, etwa zum Zahnverlustrisiko von Parodontitispatienten, entwickelt werden.

In der Forschung konnten solche Ansätze bereits getestet werden: Zahnärztliche Patientenakten wurden mit NLP analysiert und darauf bereits Spracherkennungsmodelle trainiert [Chen et al., 2021]. In ähnlicher Weise wurde NLP verwendet, um Patienten mit bestimmten Schmerzcharakteristika zu identifizieren, die anschließend eine Vorhersage von Kiefergelenkserkrankungen ermöglichten [Nam et al., 2018]. Die Kombination von NLP mit computerbasiertem Sehen (Computer Vision) ermöglicht auch die automatisierte Beschriftung von Bildmaterial in Patientenakten – vorhandene Bildbibliotheken können so rückwirkend systematisiert und archiviert werden. Generell können computergenerierte Diagnosen dazu dienen, eine systematischere Verschlagwortung auch in der zahnmedizinischen Praxis im Hintergrund – ohne großen Aufwand für den Zahnarzt – zu ermöglichen.

Viel relevanter für den Praktiker wird die Möglichkeit zur Spracherkennung und Transkription von Patientengesprächen sein: Computer werden zukünftig beispielsweise Aufklärungsgespräche mitverfolgen, diese automatisiert zusammenfassen und bestimmte, juristisch relevante Abschnitte gezielt wörtlich ablegen. Ebenso könnten Planungsdiskussionen, zum Beispiel zu prothetischen Versorgungen, oder auch die einfache Ansage des klinischen Befunds durch Computer erfasst, sinnvoll gekürzt und systematisiert abgelegt werden – während sich die Zahnmedizinische Fachangestellte stattdessen anderen Aufgaben zuwendet. NLP könnte demnach die Dokumentationsqualität erhöhen und das zahnärztliche Team entlasten [Shickel et al., 2018].

Seite 1: Künstliche Intelligenz: Die Perspektiven der Datenzahnmedizin
Seite 2: Computer können vorhersagen
alles auf einer Seite
68726306842621684262468426256850503 6872631 6842628
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