ddm Ausgabe 1 | 2020

ddm | Ausgabe 1 | 2020 27 Digitale Visionen CNNs werden zunehmend erfolgreich in der Medizin, z. B. der Ophthalmologie und Dermatologie, eingesetzt (Becker et al. 2017, Goodfellow et al. 2016, Gulshan et al. 2016, Mazurowski et al. 2018). In diesen Fachgebieten konnten diese Techniken teilweise gleich gute oder sogar bessere Genauig- keiten realisieren als Experten des jeweiligen Faches. CNNs werden dafür teils auf mehreren Zehn- tausend Bildern trainiert und erfüllen überwiegend eng definierte Spezialaufgaben (z. B. Detektion von Retinopathien, nicht jedoch optometrische Vermessung): Für jede „neue“ Aufgabe muss ein eigenes CNN auf neuen Daten entwickelt, trainiert und validiert werden. Um wirklich umfänglich Bildmaterial auf verschiedenste Pathologien hin befunden zu können, ist demnach initial ein großer Befundungsaufwand (auf der Basis großer Datensätze) und ein entsprechender Datenverarbeitungs- aufwand notwendig. Sind diese CNNs jedoch einmal trainiert, können schnell auch große Bilddaten- sätze analysiert werden. Auch in der Zahnmedizin bieten sich zahlreiche Anwendungsmöglichkeiten an (Abb. 4). Die meisten Studien arbeiteten zunächst an der Detektion und Klassifikation von Zähnen auf zahn- medizinischen Röntgenbildern, u. a. Panoramaschichtaufnahmen (Krois 2019b, Schwendicke et al. 2019), bzw. genereller an der Detektion und Klassifikation von anatomischen Strukturen (Kieferkno- chen, Kanal des N. mandibularis etc.). Hier scheinen CNNs in der Lage zu sein, Zähne auf solchen Bildern zu detektieren und mit hoher Genauigkeit den korrekten Zahnnamen zuzuordnen, auch die Segmentierung von anatomischen Strukturen gelingt relativ gut sowohl in 2D als auch 3D (bei letz- teren sind diese Techniken, nicht unbedingt unter Nutzung von CNNs, oftmals bereits kommerziell erhältlich). Die Detektion und Klassifikation von Zähnen mutet zunächst simpel an und hat per se kei- nen direkten Nutzen, ist aber die Grundlage für die anschließende zahnbezogene Befundung und Dokumentation von Restaurationen oder Pathologien – und technisch nicht unbedingt weniger anspruchsvoll als die Detektion und Klassifikation von Pathologien (was die Unterschiede zwischen menschlichem und maschinellem Lernen und Erkennen verdeutlicht – Zahnärzte sehen die Zahner- kennung auf solchen Bildern sicher nur selten als Schwierigkeit an!). Die Detektion und Klassifikation von Restaurationen fällt ebenso in diese Kategorie – sie ist für das menschliche Auge einfach und für den Zahnarzt keine schwierige Aufgabe. Ein vollständiger Röntgenbefund umfasst jedoch auch die Dokumentation von Opazitäten i. S. von Restaurationen; durch den Einsatz von KI gelingt dies verlässlich in wenigen Sekunden. Abb. 4: Beispielhafte Einsatzfelder von KI zur zahnärztlichen Röntgendiagnostik (l.) und publizierte Arbeiten in verschiedenen Feldern, kartografisch dargestellt (Daten aus Schwendicke et al. 2019). Zahnärztliche KI-Forschung hat sich bisher auf die Detektion und Klassifikation von Zähnen und anderen anatomischen Strukturen fokussiert; wenige Zentren (Seoul / Korea, Berlin / Deutschland, USA) weltweit arbeiten intensiv wissenschaftlich an der Detektion von zahnmedizinischen Pathologien.