Einführung
Die Detektion kariöser Läsionen ist täglicher Bestandteil der zahnärztlichen Praxis;
in Deutschland werden jährlich vermutlich 50 – 100 Millionen kariöse Läsionen versorgt
[1]. Seit über 100 Jahren stehen diverse diagnostische Verfahren für die Erkennung von
Karies zur Verfügung. Der vorliegende Artikel beleuchtet eine völlig neue Methode
zur Unterstützung in der Kariesdiagnostik; den Einsatz von künstlicher Intelligenz
(KI). Wir werden aufzeigen, warum KI für den Zahnarzt im Rahmen der täglichen Kariesbefundung
hilfreich sein kann, wo aktuelle KI-Anwendungen hinsichtlich ihrer Genauigkeit und
Generalisierbarkeit stehen und abschließend aufzeigen, dass KI für die Kariesdiagnostik
heute nicht mehr Zukunftsmusik, sondern Realität ist.
Kariesdiagnostik
Über einen Großteil der letzten 100 Jahre hat sich Kariesdiagnostik vor allem auf
das Erkennen von kavitierten kariösen Läsionen fokussiert. Dies basierte auf einem
vor allem restaurativ geprägten Verständnis der Kariestherapie (Karies sollte vollständig
entfernt werden, um die Erkrankung zu heilen; Infektionshypothese), aber auch auf
der extrem weiten Verbreitung kavitäter kariöser Läsionen (epidemiologische Krankheitslast).
Zudem standen Zahnärzten vor allem restaurative Therapiestrategien (u. a. Amalgamfüllungen)
zur Verfügung. Eine rein visuell taktile Karieserkennung (unter Einsatz unserer Augen
und einer Sonde) erschien zweckmäßig und ausreichend; können eingebrochene größere
Kariesläsion auf diesem Wege doch zuverlässig erkannt – also weder übersehen (Sensitivität)
noch fälschlicherweise gesunde Flächen als Karies erkannt (Spezifität) werden [2].
Neue wissenschaftliche Erkenntnisse haben in der Kariesdiagnostik neue Wege aufgezeigt.
Das Verständnis von Karies als eine kontrollierbare Erkrankung, die in frühen Stadien
kausal (also nicht restaurativ) therapiert werden kann, und die resultierende Möglichkeit,
frühe kariöse Läsionen heilen oder zumindest arretieren zu können, führten zu einem
Umdenken auch in der Kariesdiagnostik. Der Detektion früher (nicht kavitierter) Läsionen
auf Glattflächen, Approximalflächen oder im Fissurenbereich kommt heute eine große
Bedeutung zu. Nur wenn frühe kariöse Läsionen rechtzeitig identifiziert und einer
adäquaten Therapie, z. B. noninvasiv mittels Fluoriden oder mikroinvasiv mittels Versiegelung
oder Infiltration, zugeführt werden, gelingt deren Heilung oder Arretierung. Sind
Läsionen erst einmal kavitiert, so besteht Konsens, dass in vielen Fällen restaurativ
therapiert werden muss, um Oberflächenintegrität, Funktionalität und Ästhetik des
Zahns wiederherzustellen [2]. Zudem hat sich auch die epidemiologische Krankheitslast deutlich verändert; kavitierte
Läsionen sind heute deutlich seltener als noch vor 30 Jahren, während die Zahl von
nicht kavitierten frühen Läsionen deutlich zugenommen hat [3]. Dies ist vor allem auf individuelle und professionelle Präventionsbemühungen, beispielsweise
den Einsatz fluorierter Zahnpasta, zurückzuführen.
Die frühe Detektion von Karies eröffnet also neue therapeutische Optionen. Es besteht
zudem der epidemiologisch hergeleitete Bedarf einer frühen Kariesdiagnostik. Schlussendlich
haben wir heute auch die technischen Möglichkeiten, um frühe Läsionen aufzufinden
und erfolgreich behandeln zu können. Einerseits hat sich aus diesen Überlegungen heraus
die visuell-taktile Kariesdetektion gewandelt; es werden nicht mehr nur kavitierte
Läsionen detektiert, sondern auch frühe Karies, z. B. entlang der sogenannten ICDAS-Klassen
(International Caries Detection and Assessment System). Hierbei werden beispielsweise
frühe, nur nach Trocknung detektierbare Läsionen von klar und auch ohne Trocknung
erkennbaren nicht kavitierten sowie Läsionen mit Schmelz- oder Dentineinbruch unterschieden
[4]. Andererseits kommen zunehmend Hilfsmittel zum Einsatz, um kariöse Läsionen an weniger
zugänglichen Stellen (z. B. Approximalflächen in geschlossenen Zahnreihen)
detektieren und generell über mehrere Untersuchungen hinweg regelmäßig kontrollieren
zu können (Monitoring). Im Folgenden werden wir detaillierter auf die röntgenologische
Kariesdiagnostik eingehen.
Bissflügelröntgen: Noch immer der Standard
Bissflügelröntgen: Noch immer der Standard
Zur Röntgendiagnostik von Karies kommen vor allem Bissflügelaufnahmen zum Einsatz.
Diese sollten risikoadjustiert vor allem bei nicht einsehbaren Approximalräumen regelmäßig,
also alle 12 – 36 Monate, angefertigt werden. Vor allem die Detektion approximaler
früher Läsionen ist auf Bissflügelaufnahmen besser möglich als visuell-taktil, und
alternative (röntgenstrahlungsfreie) Detektionsmethoden (z. B. laserinduzierte Fluoreszenz,
Nahinfrarottransillumination) sind dem Bissflügelröntgen noch immer teilweise deutlich
unterlegen (sie bringen jedoch zahlreiche andere Vorteile mit sich und sind deshalb
zunehmend sinnvoll einsetzbar) [5], [6], [7].
Die Kariesdiagnostik auf solchen Röntgenaufnahmen ist für Zahnärzte allerdings eine
Herausforderung. Eine systematische Übersichtsarbeit aus dem Jahr 2015 hat 117 Studien,
die Karies auf insgesamt fast 20 000 Zahnflächen untersucht haben, eingeschlossen
und eindrucksvoll nachgewiesen, dass Zahnärzte gut in der Lage sind, auf Bissflügelaufnahmen
gesunde Flächen auch als gesund zu erkennen (hohe Spezifität, im Mittel 70 – 97%),
jedoch oftmals nicht alle kariösen Flächen auffinden, also eine geringe Sensitivität
aufweisen (im Mittel 24 – 56%). Bei frühen kariösen Läsionen wurden 75% durch Zahnärzte
nicht detektiert [8]. Es kann argumentiert werden, dass bei einer langsam voranschreitenden Erkrankung
wie Karies, bei der zudem ja Untersuchungen regelmäßig wiederholt werden, eine solche
niedrige Sensitivität weniger dramatisch ist als eine niedrige Spezifität. Diverse
Untersuchung unterstreichen dies auch; Karies zu übersehen verhindert zwar eine
frühe Therapie und führt somit dazu, dass eine gewisse Zahl an Läsionen voranschreitet
und schlussendlich restaurativ therapiert werden muss; das falsch positive Erkennen
von Karies gefolgt von einer restaurativen Therapie ist jedoch deutlich schädlicher
[9]. Die hohe Spezifität der Zahnärzte ist somit zu begrüßen. Nichtsdestotrotz ist es
erstrebenswert, auch die Sensitivität zu erhöhen. In den letzten 20 Jahren sind diverse
technische Ansätze zur Verbesserung der Karieserkennung auf Röntgenbildern getestet
worden. Diese haben allerdings nur geringe Verbreitung in der Praxis gefunden, unter
anderem weil ihre Genauigkeitsvorteile begrenzt waren.
Heute versprechen Anwendungen der KI, eben genau diese Genauigkeitsvorteile zu liefern.
Erste KI-Anbieter aus Deutschland wie die aus der Charité – Universitätsmedizin Berlin
ausgegründete dentalXrai GmbH werben zusammen mit ihren Vertriebspartnern mit dem
Slogan, „nie wieder Karies [zu] übersehen“. Im Folgenden werden wir uns der technologischen
Grundlage hinter solchen KI-Anwendungen widmen und die Daten zu KI für die Kariesdiagnostik
detailliert darlegen.
Künstliche Intelligenz in der Diagnostik
Künstliche Intelligenz in der Diagnostik
Der Begriff KI wurde Mitte der 1950er-Jahre geprägt und beschreibt Maschinen oder
Systeme, die in der Lage sind, Aufgaben zu erfüllen, die (bisher) dem Menschen vorbehalten
waren. Moderne KI-Ansätze bedienen sich vor allem des sogenannten maschinellen Lernens
(ML). Beim ML programmieren nicht Menschen bestimmte Regeln, die es Computern dann
erlauben, durch Ausführung dieser Regeln komplexe Aufgaben zu erfüllen; vielmehr lernen
Maschinen selbst durch das Analysieren großer Datenmengen die notwendigen Regeln zur
Erfüllung der Aufgabe. Im Alltag sind ML-Modelle bereits weit verbreitet und werden
zur Gesichtserkennung im Mobiltelefon, in Überwachungskameras oder dem autonomen Fahren
eingesetzt.
Bei dem in der Medizin üblichen „überwachten ML“ werden hierzu Tausende von Datenpunkten
(z. B. Bilder) zusammen mit jeweils einer passenden Dateninformation (z. B.: Auf diesem
Bild befindet sich Karies; auf diesem Bild befindet sich an Zahn 36 Karies; auf diesem
Bild zeigen folgende Pixel Karies) zum Trainieren der notwendigen KI-Modelle eingesetzt.
Die Modelle werden in zahlreichen Trainingsrunden (Epochen) iterativ verfeinert, bis
schließlich das statistische Muster, welches hinter der Beziehung zwischen den Datenpunkten
und den Dateninformationen liegt, ausreichend erkannt und abgebildet worden ist, und
damit auch das trainierte Modell sinnstiftend eingesetzt werden kann. Dieses Modell
kann dann auf neuen, bisher nicht im Trainingsdatensatz enthaltenen Daten getestet
und angewandt werden ([Abb. 1]).
Abb. 1 Maschinelles Lernen (ML). Beim „überwachten ML“ werden Datenpunkte durch ein Modell
(hier ein Künstliches Neuronales Netzwerk, KNN) verarbeitet und das vorhergesagte
Ergebnis mit jeweils einer passenden Dateninformation (hier von Experten markierte
kariöse Stellen) abgeglichen. Falsche Vorhersagen führen dazu, dass die Modellparameter
des KNN leicht angepasst werden, um bei der nächsten Iteration diesen Fehler nicht
zu wiederholen. Ein auf ausreichend großen Datensätzen trainiertes Modell kann dann
für neue, bisher nicht im Trainingsdatensatz enthaltenen Daten Vorhersagen treffen.
Über Iteration und Optimierung des KNN lernen diese Modelle komplexeste statische
Zusammenhänge und erreichen eine Leistungsfähigkeit, die der menschlichen Intelligenz
ebenbürtig oder in bestimmten Fällen sogar überlegen sein kann.
Eine Spezialform des ML ist das sogenannte tiefe Lernen (Deep Learning), in dem Künstliche
Neuronale Netzwerke (KNN) trainiert werden, um komplexe Aufgaben wie Bild-, Text-
oder Sprachanalysen durchzuführen [10]. Im Bereich des maschinellen Sehens (Bildanalyse) kommen vorrangig sogenannte Konvolutionale
Neuronale Netzwerke zum Einsatz. Die Besonderheit dieser Netzwerkarchitektur ist,
dass dem eigentlichen KNN eine Systemkomponente bestehend aus Bildfiltern und mathematischen
Operationen vorangeschaltet ist. Innerhalb dieser Komponente tastet eine Vielzahl
von Filtern das Bild systematisch ab und extrahiert dabei relevante Informationen
wie z. B. Farben, Formen, Kanten, Texturen etc. Diese Filter werden auch hintereinander
geschaltet und deren Ausgabe skaliert, sodass feine und kleinteilige, aber auch makroskopische
Strukturen erfasst und in numerische Repräsentationen überführt werden können. Diese
hochdimensionalen und für den Menschen nicht
erfassbaren Repräsentationen des Eingangsbildes werden dem KNN übergeben. Das
KNN wird iterativ so lange trainiert, bis ein solcher Eingangsdatensatz möglichst
fehlerfrei einem Ergebnis (z. B. kariöse Läsion auf Zahn 46), das vorab von Experten
bestätigt wurde, zugeordnet werden kann. Über Iteration und Optimierung des KNN lernen
diese Modelle komplexeste statische Zusammenhänge [11] in Bilddaten und erreichen eine diagnostische Leistungsfähigkeit, die der menschlichen
Intelligenz ebenbürtig oder in bestimmten Fällen sogar überlegen sein kann [12].
KI für Kariesdiagnostik
In einer kürzlich publizierten Studie wurde eine KI-Anwendung zur Diagnostik von frühen
und vorangeschrittenen kariösen Läsionen an Approximalflächen auf Bissflügelröntgenbildern
evaluiert [13]. Die KI war an insgesamt ca. 3600 Röntgenbildern trainiert, validiert und getestet
worden. Jedes Bild war von 3 unabhängigen zahnärztlichen Experten befundet worden
(die Experten markierten die durch Karies betroffenen Pixel auf dem Bild) und anschließend
von einem 4. Experten (Master-Reviewer) überprüft worden; dieser konnte die Gesamtheit
der Befunde überblicken, ergänzen oder löschen. Die Summe aller auf dem Bild eingezeichneten
Pixel wurde schließlich als Referenztest (Goldstandard) zum Trainieren und Testen
des Netzwerkes eingesetzt. Um Aussagen zur relativen Genauigkeit der KI im Vergleich
mit Zahnärzten treffen zu können, wurden die Testdaten (140 Röntgenbilder) von weiteren
7 unabhängigen Zahnärzten befundet ([Abb. 2]).
Abb. 2 Kariesbefundung. Das KI-Modell (rot) und die Zahnärzte (rechts, verschiedene Farben)
zeigen teils ähnliche, teils auch unterschiedliche Detektionsmuster. Die Zahnärzte
weisen auch untereinander eine hohe Variabilität auf.
Die Ergebnisse der Studie waren aufschlussreich: Die Spezifität von KI und Zahnärzten
unterschied sich nicht signifikant und war insgesamt befriedigend hoch. Bei der Sensitivität
war ein deutlicher Unterschied zwischen KI und Zahnärzten zu erkennen. Bei frühen,
auf den Schmelz begrenzten Läsionen zeigte die KI eine bis zu 3-mal höhere Sensitivität
als die Zahnärzte; nur ein Zahnarzt erreichte eine der KI ähnliche Sensitivität. Bei
vorangeschrittenen Läsionen war der Unterschied zwischen KI und Zahnärzten deutlich
kleiner. Während also Zahnärzte deutliche Unterschiede in der Sensitivität je nach
Läsionstiefe aufwiesen, war die KI sowohl für frühe als auch für vorangeschrittene
Läsionen ähnlich sensitiv ([Abb. 3]). Dies bestätigt einmal mehr den beschriebenen Unterschied zwischen dem maschinellen
und menschlichen Sehen.
Abb. 3 Sensitivität von KI und Zahnärzten (Z1 – 7) zur Erkennung von frühen und vorangeschrittenen
Läsionen [13].
Die Daten dieser Studie wurden in einer 2. Untersuchung eingesetzt, um die Folgen
einer unterschiedlichen Detektionsgenauigkeit mit und ohne KI-Unterstützung zu evaluieren
[14]. Hierzu wurde ein Simulationsmodell eingesetzt. Dieses erlaubt, aus den Genauigkeitsdaten
erwartete Therapiefolgen abzuleiten und dann wiederum die Therapien über die Lebenszeit
eines Patienten abzubilden. Dies ist relevant, weil die meisten zahnärztlichen Therapien
Langzeitwirkungen haben. Eine frühzeitig erkannte Läsion konnte in diesem Simulationsmodell
beispielsweise mittels der Kariesinfiltration behandelt und in der überwiegenden Zahl
der Fälle arretiert werden. Das Übersehen der Läsion führte mit einer bestimmten Wahrscheinlichkeit
zu ihrem Voranschreiten und dem anschließenden Bedarf einer Restauration. Mit einer
gewissen Wahrscheinlichkeit musste nun in den Folgejahren diese Restauration repariert
oder ersetzt werden. Auch das Risiko einer notwendigen
endodontischen oder weitergehenden restaurativen Behandlung (Überkronung) und
sogar die Notwendigkeit einer Zahnextraktionen und von Zahnersatz wurden abgebildet.
Die Studie kam zu dem Schluss, dass die höhere Sensitivität des KI-Modells zur Erkennung
früher Läsionen geeignet ist, sowie um die Notwendigkeit invasiver Folgetherapien
zu reduzieren und Zähne langfristig bei geringeren Behandlungskosten zu erhalten.
Dies galt jedoch nur, wenn frühe Läsionen adäquat – also nicht restaurativ – behandelt
wurden. In einem alternativen Simulationsszenario wurde angenommen, dass jede detektierte
Läsion mit einer Füllung behandelt würde; in diesem Fall führt der Einsatz von KI
zu Überbehandlung und höheren Kosten. Es wird demnach zentral sein, dass KI-Anwendung
zur Kariesdiagnostik mittelfristig nicht nur das Vorhandensein einer Karies anzeigen,
sondern auch deren Tiefe und zur Verfügung stehende Therapieoptionen (Therapieempfehlungen).
Der Mehrwert von KI-gestützten Anwendungen für den praktizierenden Zahnarzt geht aber
über die Kariesdiagnostik weit hinaus. So können KNN auch für die Detektion weiterer
Pathologien wie z. B. apikale Läsionen oder die Vermessung des parodontalen Knochenabbaus
eingesetzt werden. Auch die Detektion und Klassifikation von Zähnen selbst oder verschiedener
Restaurationen, wie Kronen, Füllungen, Implantaten etc. ist mit dieser Technologie
zu bewerkstelligen. Führt man nun diese unterschiedlichen Funktionen in einem System
zusammen, so entsteht ein Diagnoseunterstützungssystem, das einen diagnostischen Vorbefund
allein basierend auf einem Bilddatensatz erstellen kann ([Abb. 4]). Diese Teilautomatisierung des diagnostischen Prozesses kann dem Zahnarzt Arbeit
abnehmen und eine nützliche Ergänzung in der modernen digitalen zahnärztlichen Praxis
sein.
Abb. 4 Das Diagnoseunterstützungssystem dentalXrai Pro. Ein zahnbasierter Vorbefund wird
automatisch erstellt und grafisch angezeigt. Das native Röntgenbild und die farblich
kodierten Detektionen (Karies in Rot, Kronen in Türkis, Füllungen in Blau) werden
dargestellt. Eine Liste von Detektionen gibt einen detaillierten Überblick zum dentalen
Status des Patienten. Interaktive Schaltelemete erlauben das schnelle Hinzu- und Wegschalten
von farblich markierten Detektionen. Abschließend kann ein Bericht erstellt werden.
Schlussfolgerungen
Die Detektion früher Läsionen ist ein zentrales Ziel moderner Kariesdiagnostik. Hierzu
kommen zunehmend technische Hilfsmittel zum Einsatz; der Standard ist und bleibt das
Bissflügelröntgen. Zahnärzte zeigen auf Bissflügelbildern eine hohe Spezifität (wenig
falsch positive Befunde), aber eine eingeschränkte Sensitivität (viele übersehene
Läsionen). Unter Anwendung von maschinellem Sehen und maschinellem Lernen haben KI-Applikationen
für die Kariesdiagnostik großes Potenzial. Vorhandene Studien deuten darauf hin, dass
KI gerade zur Erkennung früher Kariesläsionen den Zahnarzt unterstützen und zudem
die Befund- und Reportqualität erhöhen kann bei gleichzeitiger Steigerung der Diagnostikeffizienz.
Für den Gesundheitsnutzen der Patienten ist jedoch der sich anschließende Therapieentscheid
zentral; frühe kariöse Läsionen sollten non- oder mikroinvasiv, nicht aber restaurativ
behandelt werden. KI-basierte Röntgendiagnostik ist keine Zukunftsmusik, sie ist vielmehr
heute schon
Realität.
