ddm Ausgabe 6 | 2019

ddm | Ausgabe 6 | 2019 21 Digitale Visionen werden (Test). Dieses sog. überwachte Lernen („Supervised Learning“) ist heute das üblichste Ver- fahren, KI-Algorithmen zu entwickeln und zu validieren. Gerade bei der Validierung gibt es jedoch zahlreiche Fallstricke, die speziell in der Medizin beachtet werden sollten (s. u.). Der Grundbaustein eines neuronalen Netzwerks ist die sog. neuronale Einheit (engl. neural unit oder artificial neuron). Diese stellt ein einfaches nichtlineares mathematisches Modell dar, das inspiriert vom menschlichen Gehirn die Funktionsweise einer Nervenzelle nachahmt (McCulloch and Pitts 1943). Durch Kombination mehrerer neuronaler Einheiten entsteht ein künstliches neuronales Netz- werk („Artificial Neural Network“ – ANN oder kurz NN). Die besondere (Ingenieurs-)Kunst besteht nun darin, diese Netze so zu konstruieren, d. h. Schichten von neuronalen Einheiten so anzuordnen und über intermediäre Schritte zu verrechnen (die sog. Netzwerkarchitektur), dass das Netzwerk die Datenvielfalt einer speziellen Aufgabenstellung (z. B. Bildklassifikation) repräsentieren kann. Dem Erfinder einer solchen Netzwerkarchitektur steht es frei, diese zu benennen. Begrifflichkeiten wie AlexNet, ResNet, RetinaNet, U-Net, DenseNet u. a. bevölkern deshalb die Fachliteratur. Moderne Netzwerkarchitekturen bestehen aus Millionen von neuronalen Einheiten. Erst durch den Prozess des Trainings werden diese Millionen von parametrisierbaren Bausteinen (auch Modellgewichte genannt) derart gewichtet, dass das Netzwerk in der Lage ist, einen Rohdatenpunkt mit großer Genauigkeit einem Label zuzuordnen. Hierbei ist es auschlaggebend, einen ausreichend vielfältigen Datensatz bereitzustellen und wiederholt Rohdatenpunkte (z. B. eine Bissflügelaufnahme) durch das Netzwerk zu schleusen und die Vorhersage durch das Netzwerk (z. B. „Aufnahme zeigt kariöse Struk- turen“) mit dem dazugehörigen Label („korrekte“ bzw. „nicht korrekte Vorhersage“) abzugleichen. Wurde das Label nicht korrekt vorhergesagt, erfolgt eine minimale Anpassung der Modellgewichte. Dieser Prozess wird wiederholt bis eine ausreichend gute Prognosequalität erreicht wurde (Abb. 2).* PD Dr. med. dent. Falk Schwendicke • 2003–2008 Studium der Zahn-, Mund- und Kieferheilkunde, Cha- rité – Universitätsmedizin Berlin • 2009 Approbation und Promotion • 2009–2012 Zahnarzt, Banbury, Oxfordshire, Vereinigtes Königreich • 2012–2013 Wissenschaftlicher Mitarbeiter, Klinik für Zahnerhal- tungskunde und Parodontologie der Universitätsklinik für Zahn-, Mund- und Kieferheilkunde, Universitätsklinikum Schleswig- Holstein, Christian-Albrechts- Universität zu Kiel Dr. rer. nat. Joachim Krois • seit 2017 Datenanalyst und wiss. Mitarbeiter Charité – Universitäts- medizin Berlin • 2016–2017 freiberuflicher Datenwissenschaftler • 2016 Promotion (Dr. rer. nat.) • 2013–2016 wiss. Projekt- koordination FU Berlin • 2008–2012 wiss. Mitarbeiter FU Berlin (Geowissenschaften) • Trainer und Lehrbeauftragter für Statistik, Data Science, Machine Learning und Coding Kontakt: Abteilung für Digitale und Allgemeine Zahnheilkunde, Versorgungsforschung und Gesundheitsökonomie CharitéCentrum 3 für Zahn-, Mund- und Kieferheilkunde Charité – Universitätsmedizin Berlin Aßmannshauser Straße 4-6 D-14197 Berlin Tel. +49 (0)30 / 45 06 62 55 6 falk.schwendicke@charite.de • 2013 Ernennung zum Oberarzt für Kariologie und Präventivzahn- medizin, Abteilung für Zahnerhal- tung und Präventivzahnmedizin, Charité – Universitätsmedizin Berlin • 2014–2015 Master of Dental Public Health (MDPH), University of Manchester (UK) • 2015 Lehrbefugnis und Venia Legendi für das Fach Zahn- medizin • 2016 Vorsitzender des Fachbe- reichs Zahnmedizin im Deutschen Netzwerk für Evidenzbasierte Medizin • Mitglied in zahlreichen Verbän- den, Arbeitsgemeinschaften und Vereinigungen • Fachautor zahlreicher Publikatio- nen in nationalen und internatio- nalen Journals • Forschungsschwerpunkte: Selektive Kariesexkavation und Kariesversiegelung tiefer Läsionen; Vitalerhaltung der Pulpa; Pro- biotika in der Kariesprävention; Kosten und Nutzen zahnmedizini- scher Diagnostik und Therapien; Epidemiologie und zahnmedizini- sche Versorgung * Teil 2 dieses Beitrags erscheint in Ausgabe 1-2020.