KI in der Zahnarztpraxis – Teil 1

So bringt KI eine „Zweitmeinung” in die Praxis

Aktuell ist das Angebot von Künstlicher Intelligenz (KI) für Zahnarztpraxen noch überschaubar. Mit den derzeitigen KI-Produkten kann man sich aber eine „gesammelte Zweitmeinung” zu einem zahnmedizinischen Sachverhalt wie der Karieserkennung in die Praxis holen. Erfahren Sie, wie eine KI-Software ihre Empfehlungen generiert, wo die Grenzen der KI liegen und warum „dynamisch“ im Kontext der medizinischen KI kein Hinweis auf Qualität ist.

Um zu verstehen, wie KI in der Zahnarztpraxis funktioniert, muss man wissen, wie KI-Systeme zu ihrem Wissen kommen. Die meisten KI-Anwendungen, die momentan im medizinischen Sektor entwickelt und vertrieben werden, setzen auf das Prinzip des „Maschinellen Lernens“. Bei diesen Anwendungen geht es etwa um die Analyse von Röntgenbildern, 3-D-Oberflächen-scans oder Fotos. Maschinelles Lernen bedeutet nun vor allem Mustererkennung und -analyse: Maschinen erkennen aus großen Datenmengen (wie Bildern oder Texten) Muster und Zusammenhänge. Nötig sind hierzu in den meisten Fällen ein sogenanntes Datenobjekt, also ein Bild oder ein Text, und eine dazugehörige Dateninformation (auch Annotation oder englisch Label genannt). Eine Dateninformation wäre beispielsweise „auf diesem Bild – oder genauer: an dieser Stelle auf dem Bild – wird Karies gezeigt“.

Maschinen verarbeiten die Datenobjekte mittels Filter in Zahlenkolonnen – für eine Maschine sind Bild und Text schlussendlich nur Zahlen. Diese Zahlenkolonnen werden dann mit der Dateninformation (Annotation) in einen ZusammeAbbildungnhang gestellt und dieser wird durch ein Modell abgebildet. Um das Modell schrittweise zu optimieren (das sogenannte Training), werden Abertausende Datenpaare aus Datenobjekten und Annotationen verknüpft. Während des Trainings wird das Modell wiederholt genutzt, um die Dateninformation (Annotation) für ein Datenobjekt vorherzusagen. Ist diese Vorhersage korrekt, wird das nächste Datenobjekt mit dem unveränderten Modell vorhergesagt; ist die Vorhersage jedoch nicht korrekt, werden die Modellparameter leicht angepasst, so dass in der nächsten Iteration auch für dieses Datenobjekt eine korrekte Vorhersage erfolgt.

KI in der Zahnarztpraxis

Erste Anwendungen mit Künstlicher Intelligenz (KI) für die Zahnarztpraxis  gibt es inzwischen, doch noch immer herrscht viel Unsicherheit darüber, was KI eigentlich ist und leisten kann. Was können Zahnärztinnen und Zahnärzte vom Einsatz einer KI im Alltag erwarten? Welchen Mehrwert kann ein solches Werkzeug bringen? In der Reihe „KI in der Zahnarztpraxis“ erörtern Experten Fragen zum Verständnis der KI.

Nach dem Ende des Trainings können Maschinen so auf dem Trainingsdatensatz fast fehlerfrei jedem Objekt eine Dateninformation zuordnen (diese komplexen Modelle können ganze Datensätze sogar auswendig lernen, was nicht unbedingt vorteilhaft ist). Nach dem Training werden die Modelle dann an einem sogenannten Testdatensatz evaluiert; diesen Datensatz hat die Maschine bisher nie gesehen und man kann nun erstmals die Güte des Modells an ungesehenen Datenobjekten prüfen. Hinter solchen KI-Anwendungen stehen also immer Datensätze aus Datenobjekten und Dateninformationen. Im Bereich der Medizin, vor allem der Bildanalytik, sind diese Dateninformationen allerdings eine Herausforderung: Nur ein zahnmedizinischer Experte kann beispielsweise festlegen, ob eben Karies auf einem Bild zu sehen ist oder nicht. Selbst dieser Experte hat dann jedoch nur eine bestimmte Genauigkeit und irrt sich (leider) des Öfteren. Daher werden oftmals mehrere unabhängige Experten befragt; für viele Studien im Bereich der Röntgenbildanalyse annotierten beispielsweise drei bis fünf Experten jedes von mehreren Tausend Bildern (Abbildung).

Abb. 1: Experten trainieren KI-Software zur Kariesdetektion: Verschiedene Untersucher (Farben) markieren kariöse Läsionen auf einem Röntgenbild. Sowohl 
das Vorhandensein einer Läsion als auch die Ausdehnung wird uneinheitlich bewertet. Zur Vereinheitlichung dieser „Annotationen“ im Lernprozess der KI gibt es verschiedene Strategien: Es können jegliche markierte Pixel als krank angenommen werden („Union“) oder nur jene Pixel, bei denen zwei oder drei Untersucher sich einig waren („Intersection“). Teilweise wird auch ein Reviewprozess eingesetzt, bei dem ein weiterer Experte alle Markierungen bewertet und teilweise korrigiert/angleicht, oder eine Kombination der Verfahren. | Quelle: Falk SchwendickeSo bringt KI eine „Zweitmeinung“ in die Praxis

Wie wird nun aus fünf Meinungen aber die eine Dateninformation, an der das Modell lernen soll? Oftmals geschieht dies durch ein Mehrheitsvotum; dieses garantiert zwar nicht, dass die schlussendlich festgelegte Dateninformation korrekt ist, reduziert jedoch die Wahrscheinlichkeit von Fehlern. Es ist demnach jedoch zentral, eine hohe Annotationsgüte (Erfahrung und Qualitätsstufe der Experten, Anzahl der Experten, Anzahl der Bilder) anzustreben: Ein KI-Modell wird immer nur so gut sein können, wie der Datensatz, an dem es trainiert wurde. Ein erfolgreich trainiertes und bewiesenermaßen generalisierbares KI-Modell kann seinen Anwendern das kollektive Wissen und die zahnärztliche Expertise aller annotierenden Kollegen zur Verfügung stellen – im Sinne einer robusten Zweitmeinung.

Ein Wort der Warnung bleibt aber: Die KI hatte beim Lernen nur das Bild zur Verfügung – nicht den ganzen Patienten! Die Anwender in der Praxis haben hingegen die intraorale Inspektion, etwaige weitere klinische Unterschungsmethoden oder sogar zusätzliche Bildgebungen zur Hand – und sollten diese bei Bedarf auch nutzen, um die KI-Meinung zu kontrollieren.

Statische oder dynamische KI?

Medizinische KI unterscheidet sich von anderen KI-Anwendungen durch die Art des Trainings. Google lernt etwa, wie Ampeln oder Bäume aussehen, indem jeder Internetnutzer (allesamt also Laien) diese auf Bildern markieren. Dabei ist davon auszugehen, dass diese Information nahezu fehlerfrei ist; kann sie doch durch einen Laien fast immer korrekt durchgeführt werden – jedes Bild muss vermutlich auch nur einmal angeschaut werden. Im Ergebnis kann Google günstig und schnell KI entwickeln, die Hunde und Katzen sowie Tausende weitere Tierarten auf Bildern mit höchster Genauigkeit erkennen kann. Zudem kann ein solches Modell stets weiterverbessert werden, wenn Nutzer einer solchen Tierklassifikationssoftware etwaige Fehler in der Routinenutzung korrigieren – man spricht von dynamischer KI.

Medizinische KI-Anwendungen zu entwickeln ist hingegen aufwendiger, teurer und die entwickelten Modelle sind auf absehbare Zeit auch nicht fehlerfrei. Zudem wird oft auf ein „Weiterlernen“ in der Routine verzichtet: Würde eine durch Spezialisten trainierte KI-Anwendung an etwaigen Korrekturen, die weniger spezialisierte Kollegen in ihrer Praxis vornehmen, lernen, wäre sie schlussendlich nach einiger Zeit genauso gut wie der durchschnittliche Nutzer – das aufwendig erworbene Expertenwissen ginge verloren. Um dies zu verhindern, sind viele medizinische KI-Anwendungen nicht weiterlernend (dynamisch), sondern statisch. Das bedeutet, dass Nutzer die KI-Software nicht trainieren können – die landläufige Vorstellung, dass die Nutzer durch ihre Interaktionen die Softwarequalität weiterentwickeln, trifft also auf die statische KI-Anwendung nicht zu.

Fazit

Um die Qualität einer KI-Software beurteilen zu können, sollten gezielt Informationen vom Anbieter abgefragt werden. Dazu gehören beispielsweise auch Informationen zu den annotierenden Experten, deren Expertise in die KI eingeflossen ist, sowie zum Annotationsprozess. Die medizinischen Daten sollten durch mindestens drei Experten annotiert worden sein. Auch sollte klar sein, wie die Annotationen dieser drei Experten schlussendlich „vereinigt“ wurden.

Ein statisches Modell konserviert das Wissen der annotierenden Spezialisten. Es wird nicht von selbst besser, kann aber auch nicht während der Routinenutzung schlechter werden (ein dynamisches Modell ist jeden Tag etwas anders). Auch statische Modelle werden allerdings in vielen Fällen durch ein Update regelmäßig verändert – allerdings eben kontrolliert und oft nur in Richtung Verbesserung. 

Abteilung für Orale Diagnostik, Digitale Zahnheilkunde und
Versorgungsforschung CharitéCentrum 3 für Zahn-, Mund- und Kieferheilkunde
MVZ Charité Zahnheilkunde Charité – Universitätsmedizin
Berlin

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

68016716798817679882167988226801672 6801673 6798825
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