Der Begriff Künstliche Intelligenz (KI) ist derzeit fast allgegenwärtig. In den vergangenen Jahren wurden in diesem Querschnittsfeld aus Informatik, Ingenieurswissenschaften und Angewandter Mathematik enorme Fortschritte erzielt. Gerade im Bereich des Maschinellen Sehens (um Beispiel Bildanalytik, Bildklassifikation, Objektdetektion etc.) findet KI schon heute in unserem Alltag vielfach statt. Auch in der Medizin sind in den vergangenen Jahren diverse KI-Anwendungen entwickelt worden, mit teilweise erstaunlichen Ergebnissen. Allerdings stellen sich bereits hier erste Fragen zur Belastbarkeit, Gene­ra­lisierbarkeit und Transparenz dieser KI-Anwendungen. Auch in der Zahnmedizin rücken KI-Anwendungen immer mehr in den Fokus wissenschaftlicher Fragestellungen und klinischer Forschung: Zahlreiche KI-Anwendungen zur Detektion von Zähnen, Restaurationen, Karies und apikalen Lä­sionen werden zurzeit entwickelt und deren Vorhersagequalität in den einschlägigen Zeitschriften berichtet¹. Auch hier wird allerdings momentan nur geringes Augenmerk auf Validität und Ro­bustheit gelegt².

Für den Parodontologen bietet KI-gestützte Bildanalytik zahlreiche Chancen. Die automatisierte Vermessung von Knochenverlust auf Röntgenbildern, die KI-basierte Charakte­ri­sierung von Knochendefekten oder auch die Verknüpfung von erhobenen Bilddaten mit Anamnese-, klinischen und weiteren Daten sind vielversprechend. KI-Technologien und der Rückgriff auf Daten („Datenzahnmedizin“) versprechen eine präzisere, personalisierte, präventivere und partizipative Par­odontologie³. Der vorliegende Artikel der Autoren Prof. Falk Schwendicke, Prof. Henrik Dommisch und Dr. Joachim Krois für die Parodontologie 4/20 vermittelt Grundkenntnisse zu KI, KI-gestützter Bildanalytik und den Chancen dieser Anwendungen für die Zahnmedizin und im Speziellen für die Parodontologie. Er weist aber auch auf die zahlreichen Herausforderungen in diesem Forschungsfeld hin und soll Zahnärzte in die Lage versetzen, KI-Softwarelösungen besser zu beurteilen. Der Zahnarzt von morgen benötigt kritische Augen und „Datenkompetenz“ (Data Literacy), um robuste und zuverlässige KI-Lösungen von weniger robusten, fehleranfälligen Lösungen unterscheiden zu können.

Die Zeitschrift „Parodontologie“ vermittelt dem interessierten Zahnarzt in Praxis und Klinik die neuesten Erkenntnisse, Entwicklungen und Tendenzen auf dem Gebiet der Parodontologie. Die hochwertige Ausstattung mit vielen, meist farbigen Abbildungen und der ausgeprägte Fortbildungscharakter sprechen für diese Fachzeitschrift. Mehr Infos zur Zeitschrift, zum Abo und zum Bestellen eines kostenlosen Probehefts finden Sie im Quintessenz-Shop.

Künstliche Intelligenz: Was ist das?

Der Begriff Künstliche Intelligenz (KI) ist in aller Munde. Gemeinhin wird unter KI jegliche Tätigkeit verstanden, die, ansonsten von Menschen ausgeführt, nun von Maschinen umgesetzt wird. Bei allem „Hype“ muss man feststellen: KI ist kein neues Phänomen, sondern seit bereits 70 Jahren Thema der technologischen Forschung (Abb. 1). Über diese 7 Dekaden hat es immer wieder Phasen der Begeisterung und der Ernüchterung ge­geben. Letztere wurden auch als sogenannte KI-Winter bezeichnet; oft waren diese das Resultat überhöhter Erwartungen an die Technologie, die dann enttäuscht wurden. 

Bildanalyse mit KI: Was heute alles schon „geht“

Um zu verstehen, wie KI-Anwendungen Bilder analysieren, ist es wichtig nachzuvollziehen, wie Maschinen „sehen“. Für Maschinen sind Bilder nur eine Ansammlung von Zahlen, in der Regel pixelbasierte Intensitätswerte. Um Grauwertbilder (zum Beispiel Röntgenbilder) abzubilden, genügt ein Kanal; Farbbilder (zum Beispiel RGB) erfordern jedoch 3 Kanäle. Um Bildinhalte maschinell zu erfassen, ­nutzen Algorithmen Bildfilter, wie sie in jedem Bildverarbeitungsprogramm zu finden sind. Diese Filter können Kanten, Ecken oder Rundungen und bestimmte Texturen detektieren. Sie „tasten“ das Bild systematisch ab und extrahieren so mehrdimensionale statistische Muster und Bildeigenschaften. Auch wird das Bild schrittweise immer weiter abstrahiert und feine Muster werden in gröbere umgewandelt. Dabei werden sehr viele Filter genutzt, deren Spezifikationen (zum Beispiel Farb­filter, Kantenfilter etc.) iterativ und selbstständig durch den Algorithmus erlernt werden. Am Ende stehen mitunter einige Milliarden Parameter zur Verfügung, mit denen die Maschine bildspezifische Muster extrahieren kann. Das „Lernen“ erfolgt mittels nichtlinearer mathematischer Operationen, die diese Parameter iterativ optimieren, indem dem Algorithmus sehr viele Bilder mit jeweils einem „Label“ beziehungsweise Bilder für medizinische Anwendungen einer Diagnose zur Verfügung gestellt werden. Das Label kann entweder eine Klasse sein (zum Beispiel „dieses Bild enthält eine Katze, einen Hund oder einen Bus“), es kann aber auch bestimmte Regionen beschreiben (zum Beispiel: „die Kat­ze, der Hund, der Bus befindet sich links oben in der Bildecke“). Oder es kann die verschiedenen Bildinhalte sogar segmentiert beschreiben (zum Beispiel: „auf genau diesen Pixeln sieht man eine Katze“). Auf tausenden, zehntausenden oder auch Millionen von Bildern, die jeweils ein solches Label haben, lernen Maschinen mithilfe der beschriebenen Mustererkennung zu verstehen, was eine Katze von einem Hund oder einem Bus unterscheidet. Somit sind Maschinen, hier insbesondere Künstliche neuronale Netze (KNN) – diese gelten als „universelle Approximationsmaschinen“⁵ –, in der Lage, nahezu jeden Bildinhalt (Input) mit einem Label (Output) zu assoziieren – sie lernen! Die Möglichkeit, auf Bildern Hunde, Katzen oder Busse zu erkennen, eröffnet ungeahnte Chancen: Wie beschrieben, steht hinter jeder Gesichtserkennung in unserem Smartphone und ­hinter jeder videobasierten Sicherheitstechnologie eine solche KI-Technologie.

„Computer Vision“in der Medizin

Auch in der Medizin hat diese Technologie Einzug gehalten. Vor allem im Bereich der Bildanalyse (Klassifikation, Detektion und Segmentierung) sind zahlreiche KI-Anwendungen entwickelt worden. Einige von diesen Anwendungen befinden sich gerade in der Markteinführung. Hierbei können Anwendungsfälle unterschieden werden: So können Bilder klassifiziert werden; beispielsweise wurde in der Dermatologie eine Software entwickelt, die in der Lage ist, auf Fotografien der Haut verschiedene Hauterkrankungen mit ähnlicher Genauigkeit wie spezialisierte Hautärzte voneinander abzugrenzen⁶. Auf Bildern können Objekte detektiert werden; in der Radiologie können zum Beispiel Pathologien der Lunge oder anderer innerer Organe detektiert werden; ebenso ist die Identifikation von Frak­turlinien in der orthopädischen Radiologie heute bereits möglich. Bilder können aber auch segmentiert werden (gleichbedeutend mit einer pixelbasierten ­Klassifikation); beispielsweise verspricht in der Pathologie die automatische Auswertung von histologischen Schnittbildern durch Maschinen enorme Effizienzgewinne; Pathologen könnten entlastet werden und ihre Zeit vor allem auf schwierige Grenzfälle konzentrieren. Routineaufgaben, wie das Markieren von Zellkern oderZellumrissen,würden dann maschinell erfolgen. 
Allerdings soll auch an dieser Stelle noch einmal darauf hingewiesen werden, dass es sich hierbei zum großen Teil um „Proof-of-Concept“-Ansätze handelt. Viele dieser Technologien wurden auf retrospektiven Daten entwickelt, also Daten, die in der medizinischen Routine erhoben und somit in einer bestimmten Zahl einfach verfügbar gemacht wurden. Oftmals sind die Datensätze zudem relativ klein (medizinische Datensätze enthalten oft einige tausend oder zehntausend Bilder; der von Google kuratierte Fotodatensatz „ImageNet“ enthält mehr als 14 Millionen Bilder!) und stammen oft von nur einem Datenspender (zum Beispiel einem universitären Zentrum). Eine Generalisierbarkeit und Robustheit sind nicht zwingend gegeben. Ebenso ist nicht immer ausreichend evaluiert, ob der Algorithmus anfällig für Verzerrungen, ­beispielsweise durch Artefakte, ist. Kaum eine dieser Anwendungen ist in prospektiven, randomisiert-kontrollierten Studien untersucht worden. Oftmals ist auch nicht klar, welchen Einfluss die Nutzung von KI auf die Therapieentscheidung der Ärzte und damit die Patientengesundheit hat⁷. 
Zusammenfassend weist eine KI-gestützte Bildanalytik in der Medizin viele Chancen auf, aber die Nutzung von KI in der Medizin ist gänzlich anders als die Nutzung von KI in vielen anderen Feldern. Wir als Mediziner sollten darauf bestehen, dass die Prinzipien der evidenzbasierten Medizin auch im Bereich KI aufrechterhalten werden.

KI und Parodontologie: Wo macht es Sinn, wo geht es hin?

Dies gilt genauso für die Zahnmedizin. Auch hier häufen sich die Publikationen zu KI-Anwendungen. Die überwiegende Zahl befasst sich mit der Röntgenbildanalyse. Hier werden beispielsweise Zähne oder Restaurationen detektiert und klassi­fiziert oder diverse Pathologien (Karies, apikale ­Läsionen, Parodontitis oder Osteoporose) auf Röntgenbildern identifiziert. Einige dieser Forschungsergebnisse münden auch in anwendbaren Softwareprodukten. So hat beispielsweise die Charité eine Software zur automatisierten KI-gestützten Analyse von zahnärztlichen Röntgenbildern (Panoramaschichtaufnahmen, Bissflügelaufnahmen) entwickelt. Dieses Produkt, dentalXrai Pro(dentalXrai), befindet sich zurzeit in der Zulassung und wird zeitnah als Medizinprodukt zur Verfügung stehen. Die Software ist in der Lage, Zähne, Restaurationen, aber auch Karies und apikale Läsionen auf verschiedenen intra- und extraoralen zahnärztlichen Röntgenbildern zu detektieren (Abb. 2).
Da es sich um eine Ausgründung aus einer Universität handelt, wurden Aspekte der Generalisierbarkeit, Robustheit und Transparenz bei der Entwicklung explizit berücksichtigt.Validität und Genauigkeit der Software und von diversen Zahnärztenwurden verglichen. Die Software schnitt hierbei teilweise deutlich besser ab als der durchschnittliche Zahnarzt. In einer prospektiven randomisiert-kontrollierten Studie werdendie Softwareund die Auswirkungen der KI-Nutzung auf die Therapieplanung zurzeit untersucht. Auch im Bereich der Kieferorthopädie gibt es bereits eine KI-gestützte Softwareanwendung zur automatisierten Analyse von Fernröntgenseitenbildern derFirma CellmatiQ aus Hamburg. Insgesamt ist das Feld also in Bewegung.

Abb. 2  Die Software dentalXrai Pro ist ein KI-basiertes Diagnose­unterstützungssystem für dentale Röntgenbilddaten. Die Software unterstützt die Lokalisierung und Klassifizierung von Zähnen sowie die Erkennung und Doku­men­tation von Pathologien (Karies und apikale Läsionen) sowie nicht­pathologischen Strukturen (Füllungen, Kronen, Implantate, Brücken und Wurzelkanalfüllungen). Sie zählt zu den weltweit ersten kommerziell vertriebenen KI-basierten Lösungen für zahnmedizinische Anwendungen.

Abb. 2  Die Software dentalXrai Pro ist ein KI-basiertes Diagnose­unterstützungssystem für dentale Röntgenbilddaten. Die Software unterstützt die Lokalisierung und Klassifizierung von Zähnen sowie die Erkennung und Doku­men­tation von Pathologien (Karies und apikale Läsionen) sowie nicht­pathologischen Strukturen (Füllungen, Kronen, Implantate, Brücken und Wurzelkanalfüllungen). Sie zählt zu den weltweit ersten kommerziell vertriebenen KI-basierten Lösungen für zahnmedizinische Anwendungen.

Abb. 3  P4-Parodontologie, eine präzisere, personalisierte, präventive und partizipatorische Parodontologie. Die Verknüpfung von Bilddaten, klinischen und anamnestischen Daten sowie die Einbeziehung von „Omics-Daten“ (also Mikrobiom-, Metabolom- oder Genomdaten) und von Patienten zur Verfügung gestellten Daten (beispielsweise Verhaltensprofile bezüglich Ernährung oder Sport) und/oder der Rückgriff auf Abrechnungsdaten (Erfassung vorangegangener Behandlungen) ermöglicht eine präzisere, personalisierte parodontologische Prävention und Therapie.

Ein Beitrag von Prof. Falk Schwendicke, Prof. Henrik Dommisch und Dr. Joachim Krois, alle Berlin

Literatur auf Anfrage über news@quintessenz.de