ArticlePDF Available

Abstract

Der Begriff Künstliche Intelligenz (KI) ist derzeit fast allgegenwärtig. In den letzten Jahren wurden in diesem Querschnittsfeld aus Informatik, Ingenieurswissenschaften und Angewandter Mathematik enorme Fortschritte erzielt. Gerade im Bereich des Maschinellen Sehens (z. B. Bildanalytik, Bildklassifikation, Objektdetektion etc.) findet KI schon heute in unserem Alltag vielfach statt. Auch in der Medizin sind in den letzten 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 KIAnwendungen 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 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 KILösungen von weniger robusten, fehleranfälligen Lösungen unterscheiden zu können.
Schwendicke et al. Künstliche Intelligenz in der Bildanalytik
417
Parodontologie 2020;31(4):417–423
Künstliche Intelligenz: Was ist das?
Der Begriff Künstliche Intelligenz (KI) ist in aller
Munde. Gemeinhin wird unter KI jegliche Tätig-
keit verstanden, die, ansonsten von Menschen
INDIZES
Diagnostik, Maschinelles Lernen, Parodontologie, Röntgenologie, Therapieplanung,
Vorhersagemodelle
ZUSAMMENFASSUNG
Der Begriff Künstliche Intelligenz (KI) ist derzeit fast allgegenwärtig. In den letzten Jahren wurden in
diesem Querschnittsfeld aus Informatik, Ingenieurswissenschaften und Angewandter Mathematik
enorme Fortschritte erzielt. Gerade im Bereich des Maschinellen Sehens (z. B. Bildanalytik,
Bildklassifikation, Objektdetektion etc.) findet KI schon heute in unserem Alltag vielfach statt. Auch
in der Medizin sind in den letzten Jahren diverse KI-Anwendungen entwickelt worden, mit teilweise
erstaunlichen Ergebnissen. Allerdings stellen sich bereits hier erste Fragen zur Belastbarkeit, Gene ra-
lisierbarkeit 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 Lä-
sionen werden zurzeit entwickelt und deren Vorhersagequalität in den einschlägigen Zeitschriften
berichtet1. Auch hier wird allerdings momentan nur geringes Augenmerk auf Validität und Ro-
bustheit gelegt2. Für den Parodontologen bietet KI-gestützte Bildanalytik zahlreiche Chancen. Die
automatisierte Vermessung von Knochenverlust auf Röntgenbildern, die KI-basierte Charakte ri-
sierung 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
Par odontologie3. Der vorliegende Artikel 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.
Manuskripteingang: 07.09.2020, Annahme: 02.10.2020
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 Pha-
Falk Schwendicke, Henrik Dommisch, Joachim Krois
Künstliche Intelligenz in der Bildanalytik
Chancen und Herausforderungen für die
Parodontologie
Schwendicke et al. Künstliche Intelligenz in der Bildanalytik
418 Parodontologie 2020;31(4):417–423
tonome Fahren und eben auch der Einsatz von
KI-Bildanalytik im Bereich der Medizin sind oft zi-
tierte Beispiele für die automatisierte, KI-gestützte
Analyse von Bilddaten. Genauso sind enorme Er-
folge im Bereich der Spracherkennung mittlerweile
real worden. Das sogenannte „Natural Language
Processing“ steckt mittlerweile in jedem Telefon,
jeder Diktiergerät-App und jeder Übersetzungs-
software und ist inzwischen so ausgereift, dass es
Menschen nicht mehr möglich ist, Texte, die von
Maschinen geschrieben worden sind, von jenen zu
unterscheiden, die von Menschen verfasst wurden.
Weitere Einsatzfelder von KI und Maschinellem
Lernen sind beispielsweise die Robotik oder die
Computersimulation.
In dem vorliegenden Artikel konzentrieren wir
uns auf die Verarbeitung von Bilddaten, die soge-
nannte „Computer Vision“. Hier sind gerade in den
letzten 3Jahren auch in der Zahnmedizin enorme
Erfolge erzielt worden. Bei aller Begeisterung muss
allerdings festgehalten werden: Wir stehen ganz
am Anfang! In diesem jungen Feld, getrieben von
den technischen Möglichkeiten, lässt die Evidenz
oft noch zu wünschen übrig. An dieser Stelle sind
v.a. wir als Mediziner gefragt, für unsere Patienten
sen der Begeisterung und der Ernüchterung ge-
geben. Letztere wurden auch als sogenannte
KI-Winter bezeichnet; oft waren diese das Resul-
tat überhöhter Erwartungen an die Technologie,
die dann enttäuscht wurden.
Die aktuelle Begeisterung um die KI geht zurück
auf das Jahr2012. In diesem Jahr wurden enorme
Erfolge im Bereich des sogenannten Deep Learning
(DL) verzeichnet4. DL ist ein Unterfeld des soge-
nannten Maschinellen Lernens. Hierbei lernt die
Maschine an einem vorgegebenen Datensatz aus
Input- und Outputdaten, statistische Muster in den
Daten eigenständig zu erkennen. Die Maschine
schreibt sich ihre Software quasi selbst. Beim DL
kommen besonders tiefe, vielschichtige Modelle
des Maschinellen Lernens, insbesondere soge-
nannte Künstliche Neuronale Netzwerke (KNN),
zum Einsatz. Diese sind in der Lage, komplexe Da-
tenstrukturen wie Bilder oder Sprache abzubilden
und darin Muster zu lernen, um auf neuen Daten
Vorhersagen zu treffen. Gerade in den letzten Jah-
ren sind im Feld des Maschinellen Sehens („Com-
puter Vision“) enorme Fortschritte verzeichnet
worden: Die Gesichtserkennung durch fast jedes
Smartphone oder in der Sicherheitstechnik, das au-
Abb. 1Meilensteine
in der Entwicklung
der künstlichen
Intelligenz (KI). Die
Geschichte der KI ist
durch Höhen und
Tiefen gekenn-
zeichnet; nach
zahl reichen
Rück schlägen ist der
Opti mismus heute
größer als je zuvor.
Schwendicke et al. Künstliche Intelligenz in der Bildanalytik
419
Parodontologie 2020;31(4):417–423
durch den Algorithmus erlernt werden. Am Ende
stehen mitunter einige Milliarden Parameter zur
Verfügung, mit denen die Maschine bildspezifi-
sche Muster extrahieren kann. Das „Lernen“ er-
folgt mittels nichtlinearer mathematischer Operati-
onen, die diese Parameter iterativ optimieren,
indem dem Algorithmus sehr viele Bilder mit je-
weils einem „Label“ bzw. Bilder für medizinische
Anwendungen einer Diagnose zur Verfügung ge-
stellt werden. Das Label kann entweder eine Klasse
sein (z. B.: „dieses Bild enthält eine Katze, einen
Hund oder einen Bus“), es kann aber auch be-
stimmte Regionen beschreiben (z. B.: „die Kat ze,
der Hund, der Bus befindet sich links oben in der
Bildecke“). Oder es kann die verschiedenen Bildin-
halte sogar segmentiert beschreiben (z. B.: „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 Mus-
tererkennung zu verstehen, was eine Katze von
einem Hund oder einem Bus unterscheidet. Somit
sind Maschinen, hier insbesondere KNN – diese
gelten als „universelle Approximationsmaschi-
nen“5 –, in der Lage, nahezu jeden Bildinhalt (In-
put) mit einem Label (Output) zu assoziieren – sie
lernen! Die Möglichkeit, auf Bildern Hunde, Kat-
zen oder Busse zu erkennen, eröffnet ungeahnte
Chancen: Wie beschrieben steht hinter jeder Ge-
sichtserkennung 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 ge-
rade in der Markteinführung. Hierbei können An-
wendungsfälle 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
valide, belastbare, generalisierbare und transpa-
rente Lösungen einzufordern. Im schlimmsten Falle
droht sonst ein weiterer KI-Winter. Enttäuschun-
gen können wir uns gerade im Feld der Medizin
jedoch nicht leisten. Hier geht es nicht darum, ob
ein Telefon das Gesicht des Besitzers erkennt, son-
dern vielmehr darum, ob Patienten einen Gesund-
heitsnutzen oder -schaden erfahren, ob Ärzte eine
richtige oder falsche Entscheidung treffen oder ob
das Gesundheitssystem eine bestimmte Behand-
lung finanziert oder nicht.
Die Autoren werben ausdrücklich dafür,
KI-Anwendungen unter anderem auch in der
Zahnmedizin kritisch zu begutachten. Zusammen
mit der WHO und ITU (AI4Health Focus Group)
entwickeln die Autoren Krois und Schwendicke
Standards für KI-Anwendungen im Bereich der
Zahnmedizin. Zahnärzte sollten in der Lage sein,
neue KI-Software auf ihre Validität und Robust-
heit hin zu begutachten. Dies bedeutet auch, dass
Zahnärzte „Datenkompetenz“ (Data Literacy)
aufweisen müssen. Der vorliegende Artikel ver-
sucht, auch hierzu einen Beitrag zu leisten.
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 pi-
xelbasierte Intensitätswerte. Um Grauwertbilder
(z. B. Röntgenbilder) abzubilden, genügt ein Ka-
nal; Farbbilder (z. B. RGB) erfordern jedoch 3 Ka-
näle. Um Bildinhalte maschinell zu erfassen, nutzen
Algorithmen Bildfilter, wie sie in jedem Bildverar-
beitungsprogramm zu finden sind. Diese Filter
können Kanten, Ecken oder Rundungen und be-
stimmte Texturen detektieren. Sie „tasten“ das
Bild systematisch ab und extrahieren so mehrdi-
mensionale statistische Muster und Bildeigen-
schaften. Auch wird das Bild schrittweise immer
weiter abstrahiert und feine Muster werden in
Gröbere umgewandelt. Dabei werden sehr viele
Filter genutzt, deren Spezifikationen (z. B. Farb-
filter, Kantenfilter etc.) iterativ und selbständig
Schwendicke et al. Künstliche Intelligenz in der Bildanalytik
420 Parodontologie 2020;31(4):417–423
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-Anwendun-
gen. Die überwiegende Zahl befasst sich mit der
Röntgenbildanalyse. Hier werden beispielsweise
Zähne oder Restaurationen detektiert und klassi-
fiziert oder diverse Pathologien (Karies, apikale
Läsionen, Parodontitis oder Osteoporose) auf
Röntgenbildern identifiziert. Einige dieser For-
schungsergebnisse münden auch in anwendbaren
Softwareprodukten. So hat beispielsweise die Cha-
rité eine Software zur automatisierten KI-gestütz-
ten Analyse von zahnärztlichen Röntgenbildern
(Panoramaschichtaufnahmen, Bissflügelaufnah-
men) entwickelt. Dieses Produkt, dentalXrai Pro
(Fa. dentalXrai, Berlin, Deutschland), befindet sich
zurzeit in der Zulassung und wird zeitnah als Medi-
zinprodukt zur Verfügung stehen. Die Software ist
in der Lage, Zähne, Restaurationen, aber auch Ka-
ries und apikale Läsionen auf verschiedenen intra-
und extraoralen zahnärztlichen Röntgenbildern zu
detektieren (Abb. 2). Da es sich um eine Ausgrün-
dung aus einer Universität handelt, wurden As-
pekte der Generalisierbarkeit, Robustheit und
Transparenz bei der Entwicklung explizit berück-
sichtigt. Validität und Genauigkeit der Software
und von diversen Zahnärzten wurden verglichen.
Die Software schnitt hierbei teilweise deutlich bes-
ser ab als der durchschnittliche Zahnarzt. In einer
prospektiven randomisiert-kontrollierten Studie
werden die Software und die Auswirkungen der
KI-Nutzung auf die Therapieplanung zurzeit un-
tersucht. Auch im Bereich der Kieferorthopädie
gibt es bereits eine KI-gestützte Softwareanwen-
dung zur automatisierten Analyse von Fernrönt-
genseitenbildern der Fa. CellmatiQ aus Hamburg.
Insgesamt ist das Feld also in Bewegung.
Auch für den Parodontologen wird eine KI-
gestützte Analyse mittelfristig sinnvoll sein: die
automatisierte Vermessung des parodontalen Kno-
chenabbaus auf Einzelbildern oder Panorama-
schichtaufnahmen kann das arbeitsintensive manu-
elle Vermessen auf diesen Bildern ersetzen. Die
vollautomatische Erfassung dieser Daten erlaubt
unter anderem eine Triangulation mit anderen
spezialisierte Hautärzte voneinander abzugren-
zen6. Auf Bildern können Objekte detektiert wer-
den; in der Radiologie können z. B. Pathologien der
Lunge oder anderer innerer Organe detektiert wer-
den; ebenso ist die Identifikation von Frak turlinien
in der orthopädischen Radiologie heute bereits
möglich. Bilder können aber auch segmentiert wer-
den (gleichbedeutend mit einer pixelbasierten
Klassifikation); beispielsweise verspricht in der Pa-
thologie die automatische Auswertung von histolo-
gischen Schnittbildern durch Maschinen enorme
Effizienzgewinne; Pathologen könnten entlastet
werden und ihre Zeit vor allem auf schwierige
Grenzfälle konzentrieren. Routineaufgaben, wie
das Markieren von Zellkern oder Zellumrissen,
würden dann maschinell erfolgen.
Allerdings soll auch an dieser Stelle noch ein-
mal darauf hingewiesen werden, dass es sich hier-
bei zum großen Teil um „Proof-of-Concept“-An-
sätze handelt. Viele dieser Technologien wurden
auf retrospektiven Daten entwickelt, also Daten,
die in der medizinischen Routine erhoben und so-
mit in einer bestimmten Zahl einfach verfügbar
gemacht wurden. Oftmals sind die Datensätze zu-
dem relativ klein (medizinische Datensätze enthal-
ten oft einige tausend oder zehntausend Bilder;
der von Google kuratierte Fotodatensatz „Image-
Net“ enthält mehr als 14 Millionen Bilder!) und
stammen oft von nur einem Datenspender (z. B.
einem universitären Zentrum). Eine Generalisier-
barkeit und Robustheit sind nicht zwingend gege-
ben. Ebenso ist nicht immer ausreichend evaluiert,
ob der Algorithmus anfällig für Verzerrungen,
beispielsweise durch Artefakte, ist. Kaum eine die-
ser Anwendungen ist in prospektiven, randomi-
siert-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 Bil-
danalytik in der Medizin viele Chancen auf, aber
die Nutzung von KI in der Medizin ist gänzlich an-
ders als die Nutzung von KI in vielen anderen Fel-
dern. Wir als Mediziner sollten darauf bestehen,
dass die Prinzipien der evidenzbasierten Medizin
auch im Bereich KI aufrechterhalten werden.
Schwendicke et al. Künstliche Intelligenz in der Bildanalytik
421
Parodontologie 2020;31(4):417–423
Messungen, beispielsweise des Attachmentver-
lusts, oder mit Messungen aus verschiedenen Zeit-
punkten. Die Ermittlung des Attachmentverlusts
erfolgt bereits heute oftmals über elektronische Da-
tenerfassung, sodass eine Triangulation von Daten
in diesem Zusammenhang ein realistisches Szenario
darstellen kann. Besonders hinsichtlich der par-
odontalen Diagnostik nach der neuen EFP-AAP-
Klassifikation (2017) parodontaler und periimplan-
tärer Erkrankungen und Zustände gewinnt die
Vermessung des prozentualen Knochenabbaus an
Bedeutung8. Dieser Aspekt kann für die Einteilung
in Stadien, aber auch in die entsprechenden Grade
zur Erfassung der Erkrankungsprogression (Kno-
chenverlust in %, dividiert durch das Alter des Pa-
tienten) herangezogen werden. Eine automatisierte
Be rechnung dieses Index auf Zahn- und Patienten-
ebene kann den Zahnarzt in der parodontologi-
schen Diagnostik maßgeblich unterstützen.
Die Verknüpfung der automatisiert erhobenen
Bilddaten mit weiteren klinischen und anamnesti-
schen Daten würde mittelfristig helfen, Patienten-
profile genauer zu bestimmen und nachzu-
verfolgen. Unter Einbeziehung weiterer klinischer
und analytischer Daten, wie beispielsweise Blutung
auf Sondierung, Lockerungsgrade, sogenannte
„Omics-Daten“ (also Mikrobiom-, Metabolom-
oder Genomdaten), sowie durch von Patienten zur
Verfügung gestellte Daten (beispielsweise Verhal-
tensprofile bzgl. Ernährung oder Sport) und/oder
unter Rückgriff auf Abrechnungsdaten (Erfassung
vorangegangener Behandlungen) kann es gelin-
gen, eine präzisere, personalisierte parodontologi-
sche Prävention bzw. Therapie durchzuführen.
Auch wird durch das frühzeitige Erkennen lokali-
sierter parodontaler Entzündungen eine verstärkte
Sekundärprävention in der Parodontologie ermög-
licht. Da Softwarelösungen zudem den Patienten
deutlich besser in die Behandlungsplanung und den
Verlauf der Therapie bzw. den Verlauf des Thera-
pieerfolgs einbinden können, ist eine stärkere Parti-
zipation des Patienten wahrscheinlich. Die ver-
mehrte Nutzung von Daten (Datenzahnmedizin,
s.o.) unter Einsatz von KI-Technologien wird dem-
nach den Weg für eine präzisere, personalisierte,
präventive und partizipatorische Parodontologie
(P4-Parodontologie) ebnen (Abb. 3).
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 bzgl. Ernährung oder Sport) und/oder der
Rückgriff auf Abrechnungsdaten (Erfassung vorangegangener
Behandlungen) ermöglicht eine präzisere, personalisierte
parodontologische Prävention und Therapie.
Abb. 2Die Software dentalXrai Pro (Fa. dentalXrai) ist ein KI-basiertes Diagnose-
unterstützungssystem für dentale Röntgenbilddaten. Die Software unterstützt die
Lokalisierung und Klassifizierung von Zähnen sowie die Erkennung und Doku men-
tation von Pathologien (Karies und apikale Läsionen) sowie nicht pathologischen
Strukturen (Füllungen, Kronen, Implantate, Brücken und Wurzelkanalfüllungen).
Siezählt zu den weltweit ersten kommerziell vertriebenen KI-basierten Lösungen für
zahnmedizinische Anwendungen.
Datenmassen
(Big data)
Systemmedizin
(„Omics“)
Soziale
Medien,
Daten-
spenden
Soft- und
Hardware-
technik
Schwendicke et al. Künstliche Intelligenz in der Bildanalytik
422 Parodontologie 2020;31(4):417–423
7. Nagendran M, Chen Y, Lovejoy CA, Gordon AC,
Komorowski M, Harvey H, Topol EJ, Ioannidis JPA, Collins
GS, Maruthappu M. Artificial intelligence versus clinicians:
systematic review of design, reporting standards, and
claims of deep learning studies. BMJ 2020;368:m689.
8. Papapanou PN, Sanz M, Buduneli N, Dietrich T, Feres M,
Fine DH, Flemmig TF, Garcia R, Giannobile WV, Graziani
F, Greenwell H, Herrera D, Kao RT, Kebschull M, Kinane
DF, Kirkwood KL, Kocher T, Kornman KS, Kumar PS, Loos
BG, Machtei E, Meng H, Mombelli A, Needleman I,
Offenbacher S, Seymour GJ, Teles R, Tonetti MS.
Periodontitis: Consensus report of workgroup 2 of the
2017 World Workshop on the Classification of Periodontal
and Peri-Implant Diseases and Conditions. J Clin
Periodontol. 2018;45(Suppl 20):S162−S170.
Literatur
1. Schwendicke F, Golla T, Dreher M, Krois J. Convolutional
neural networks for dental image diagnostics: A scoping
review. J Dent 2019;91:103226.
2. Schwendicke F, Samek W, Krois J. Artificial Intelligence in
Dentistry: Chances and Challenges. J Dent Res 2020;99:
769−774.
3. Hood L, Flores M. A personal view on systems medicine
and the emergence of proactive P4 medicine: predictive,
preventive, personalized and participatory. N Biotechnol
2012;29:613−624.
4. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature
2015;521(7553):436−444.
5. Hornik K. Approximation capabilities of multilayer
feedforward networks. Neural Networks 1991;4:251−257.
6. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM,
Thrun S. Dermatologist-level classification of skin cancer with
deep neural networks. Nature 2017;542(7639):115−118.
Artificial intelligence in image analysis
Opportunities and challenges for periodontology
KEY WORDS
diagnostics, machine learning, periodontology, radiology, therapy planning, prediction models
ABSTRACT
The term artificial intelligence (AI) is currently almost omnipresent. In recent years, enormous
progress has been made in this cross-sectional field of computer science, engineering sciences,
and applied mathematics. Especially in the field of machine vision (eg, image analysis, image
classification, object detection, etc), AI is already widely used in our everyday life. In medicine,
too, various AI applications have been developed in recent years, some with astonishing results.
However, initial questions about the resilience, generalizability, and transparency of these AI
applications are already arising. In dentistry, too, AI applications are increasingly moving into the
focus of scientific questions and clinical research: Numerous AI applications for the detection of
teeth, restorations, caries, and apical lesions are currently being developed, and their predictive
quality is reported in the relevant journals. However, there is currently also little focus on validity
and robustness. AI-supported image analysis offers numerous opportunities for periodontists;
automated measurement of bone loss on X-rays, AI-based characterization of bone defects, or
the linking of acquired image data with anamnesis, clinical, and other data are promising. AI
technologies and the recourse to data (“data dentistry”) promise a more precise, personalized,
preventive, and participatory periodontology. This article provides basic knowledge about AI, AI-
supported image analysis, and the chances of these applications for dentistry and in particular for
periodontology. It also points out the numerous challenges in this field of research and is intended
to enable dentists to better evaluate AI software solutions. Tomorrow’s dentist needs critical eyes
and “data literacy” to distinguish robust and reliable AI solutions from less robust, error-prone
solutions.
Parodontologie 2020;31(4):417–423
Schwendicke et al.
Falk Schwendicke
Prof. Dr. med. dent., MDPH
Abteilung für Orale Diagnostik,
Digitale Zahnheilkunde und
Versorgungsforschung
Henrik Dommisch
Univ.-Prof. Dr. med. dent.
Abteilung für Parodontologie,
Oralmedizin und Oralchirurgie
Joachim Krois
Dr. rer. nat.
Abteilung für Orale Diagnostik,
Digitale Zahnheilkunde und
Versorgungsforschung
Alle:
CharitéCentrum 3 für Zahn-,
Mund- und Kieferheilkunde
Charité – Universitätsmedizin Berlin
Aßmannshauser Str. 4−6
14197 Berlin
Falk Schwendicke
Korrespondenzadresse:
Prof. Dr. Falk Schwendicke, E-Mail: falk.schwendicke@charite.de
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
The term “artificial intelligence” (AI) refers to the idea of machines being capable of performing human tasks. A subdomain of AI is machine learning (ML), which “learns” intrinsic statistical patterns in data to eventually cast predictions on unseen data. Deep learning is a ML technique using multi-layer mathematical operations for learning and inferring on complex data like imagery. This succinct narrative review describes the application, limitations and possible future of AI-based dental diagnostics, treatment planning, and conduct, for example, image analysis, prediction making, record keeping, as well as dental research and discovery. AI-based applications will streamline care, relieving the dental workforce from laborious routine tasks, increasing health at lower costs for a broader population, and eventually facilitate personalized, predictive, preventive, and participatory dentistry. However, AI solutions have not by large entered routine dental practice, mainly due to 1) limited data availability, accessibility, structure, and comprehensiveness, 2) lacking methodological rigor and standards in their development, 3) and practical questions around the value and usefulness of these solutions, but also ethics and responsibility. Any AI application in dentistry should demonstrate tangible value by, for example, improving access to and quality of care, increasing efficiency and safety of services, empowering and enabling patients, supporting medical research, or increasing sustainability. Individual privacy, rights, and autonomy need to be put front and center; a shift from centralized to distributed/federated learning may address this while improving scalability and robustness. Lastly, trustworthiness into, and generalizability of, dental AI solutions need to be guaranteed; the implementation of continuous human oversight and standards grounded in evidence-based dentistry should be expected. Methods to visualize, interpret, and explain the logic behind AI solutions will contribute (“explainable AI”). Dental education will need to accompany the introduction of clinical AI solutions by fostering digital literacy in the future dental workforce.
Article
Full-text available
Objective To systematically examine the design, reporting standards, risk of bias, and claims of studies comparing the performance of diagnostic deep learning algorithms for medical imaging with that of expert clinicians. Design Systematic review. Data sources Medline, Embase, Cochrane Central Register of Controlled Trials, and the World Health Organization trial registry from 2010 to June 2019. Eligibility criteria for selecting studies Randomised trial registrations and non-randomised studies comparing the performance of a deep learning algorithm in medical imaging with a contemporary group of one or more expert clinicians. Medical imaging has seen a growing interest in deep learning research. The main distinguishing feature of convolutional neural networks (CNNs) in deep learning is that when CNNs are fed with raw data, they develop their own representations needed for pattern recognition. The algorithm learns for itself the features of an image that are important for classification rather than being told by humans which features to use. The selected studies aimed to use medical imaging for predicting absolute risk of existing disease or classification into diagnostic groups (eg, disease or non-disease). For example, raw chest radiographs tagged with a label such as pneumothorax or no pneumothorax and the CNN learning which pixel patterns suggest pneumothorax. Review methods Adherence to reporting standards was assessed by using CONSORT (consolidated standards of reporting trials) for randomised studies and TRIPOD (transparent reporting of a multivariable prediction model for individual prognosis or diagnosis) for non-randomised studies. Risk of bias was assessed by using the Cochrane risk of bias tool for randomised studies and PROBAST (prediction model risk of bias assessment tool) for non-randomised studies. Results Only 10 records were found for deep learning randomised clinical trials, two of which have been published (with low risk of bias, except for lack of blinding, and high adherence to reporting standards) and eight are ongoing. Of 81 non-randomised clinical trials identified, only nine were prospective and just six were tested in a real world clinical setting. The median number of experts in the comparator group was only four (interquartile range 2-9). Full access to all datasets and code was severely limited (unavailable in 95% and 93% of studies, respectively). The overall risk of bias was high in 58 of 81 studies and adherence to reporting standards was suboptimal (<50% adherence for 12 of 29 TRIPOD items). 61 of 81 studies stated in their abstract that performance of artificial intelligence was at least comparable to (or better than) that of clinicians. Only 31 of 81 studies (38%) stated that further prospective studies or trials were required. Conclusions Few prospective deep learning studies and randomised trials exist in medical imaging. Most non-randomised trials are not prospective, are at high risk of bias, and deviate from existing reporting standards. Data and code availability are lacking in most studies, and human comparator groups are often small. Future studies should diminish risk of bias, enhance real world clinical relevance, improve reporting and transparency, and appropriately temper conclusions. Study registration PROSPERO CRD42019123605.
Article
Full-text available
A new periodontitis classification scheme has been adopted, in which forms of the disease previously recognized as “chronic” or “aggressive” are now grouped under a single category (“periodontitis”) and are further characterized based on a multi‐dimensional staging and grading system. Staging is largely dependent upon the severity of disease at presentation as well as on the complexity of disease management, while grading provides supplemental information about biological features of the disease including a history‐based analysis of the rate of periodontitis progression; assessment of the risk for further progression; analysis of possible poor outcomes of treatment; and assessment of the risk that the disease or its treatment may negatively affect the general health of the patient. Necrotizing periodontal diseases, whose characteristic clinical phenotype includes typical features (papilla necrosis, bleeding, and pain) and are associated with host immune response impairments, remain a distinct periodontitis category. Endodontic‐periodontal lesions, defined by a pathological communication between the pulpal and periodontal tissues at a given tooth, occur in either an acute or a chronic form, and are classified according to signs and symptoms that have direct impact on their prognosis and treatment. Periodontal abscesses are defined as acute lesions characterized by localized accumulation of pus within the gingival wall of the periodontal pocket/sulcus, rapid tissue destruction and are associated with risk for systemic dissemination.
Article
Objectives: Convolutional neural networks (CNNs) are increasingly applied for medical image diagnostics. We performed a scoping review, exploring (1) use cases, (2) methodologies and (3) findings of studies applying CNN on dental image material. Sources: Medline via PubMed, IEEE Xplore, arXiv were searched. Study selection: Full-text articles and conference-proceedings reporting CNN application on dental imagery were included. Data: Thirty-six studies, published 2015-2019, were included, mainly from four countries (South Korea, United States, Japan, China). Studies focussed on general dentistry (n = 15 studies), cariology (n = 5), endodontics (n = 2), periodontology (n = 3), orthodontics (n = 3), dental radiology (2), forensic dentistry (n = 2) and general medicine (n = 4). Most often, the detection, segmentation or classification of anatomical structures, including teeth (n = 9), jaw bone (n = 2) and skeletal landmarks (n = 4) was performed. Detection of pathologies focused on caries (n = 3). The most commonly used image type were panoramic radiographs (n = 11), followed by periapical radiographs (n = 8), Cone-Beam CT or conventional CT (n = 6). Dataset sizes varied between 10-5,166 images (mean 1,053). Most studies used medical professionals to label the images and constitute the reference test. A large range of outcome metrics was employed, hampering comparisons across studies. A comparison of the CNN performance against an independent test group of dentists was provided by seven studies; most studies found the CNN to perform similar to dentists. Applicability or impact on treatment decision was not assessed at all. Conclusions: CNNs are increasingly employed for dental image diagnostics in research settings. Their usefulness, safety and generalizability should be demonstrated using more rigorous, replicable and comparable methodology. Clinical significance: CNNs may be used in diagnostic-assistance systems, thereby assisting dentists in a more comprehensive, systematic and faster evaluation and documentation of dental images. CNNs may become applicable in routine care; however, prior to that, the dental community should appraise them against the rules of evidence-based practice.
Article
Skin cancer, the most common human malignancy, is primarily diagnosed visually, beginning with an initial clinical screening and followed potentially by dermoscopic analysis, a biopsy and histopathological examination. Automated classification of skin lesions using images is a challenging task owing to the fine-grained variability in the appearance of skin lesions. Deep convolutional neural networks (CNNs) show potential for general and highly variable tasks across many fine-grained object categories. Here we demonstrate classification of skin lesions using a single CNN, trained end-to-end from images directly, using only pixels and disease labels as inputs. We train a CNN using a dataset of 129,450 clinical images-two orders of magnitude larger than previous datasets-consisting of 2,032 different diseases. We test its performance against 21 board-certified dermatologists on biopsy-proven clinical images with two critical binary classification use cases: keratinocyte carcinomas versus benign seborrheic keratoses; and malignant melanomas versus benign nevi. The first case represents the identification of the most common cancers, the second represents the identification of the deadliest skin cancer. The CNN achieves performance on par with all tested experts across both tasks, demonstrating an artificial intelligence capable of classifying skin cancer with a level of competence comparable to dermatologists. Outfitted with deep neural networks, mobile devices can potentially extend the reach of dermatologists outside of the clinic. It is projected that 6.3 billion smartphone subscriptions will exist by the year 2021 (ref. 13) and can therefore potentially provide low-cost universal access to vital diagnostic care.
Article
We show that standard multilayer feedforward networks with as few as a single hidden layer and arbitrary bounded and nonconstant activation function are universal approximators with respect to Lp(μ) performance criteria, for arbitrary finite input environment measures μ, provided only that sufficiently many hidden units are available. If the activation function is continuous, bounded and nonconstant, then continuous mappings can be learned uniformly over compact input sets. We also give very general conditions ensuring that networks with sufficiently smooth activation functions are capable of arbitrarily accurate approximation to a function and its derivatives.
Article
Systems biology and the digital revolution are together transforming healthcare to a proactive P4 medicine that is predictive, preventive, personalized and participatory. Systems biology - holistic, global and integrative in approach - has given rise to systems medicine, a systems approach to health and disease. Systems medicine promises to (1) provide deep insights into disease mechanisms, (2) make blood a diagnostic window for viewing health and disease for the individual, (3) stratify complex diseases into their distinct subtypes for a impedance match against proper drugs, (4) provide new approaches to drug target discovery and (5) generate metrics for assessing wellness. P4 medicine, the clinical face of systems medicine, has two major objectives: to quantify wellness and to demystify disease. Patients and consumers will be a major driver in the realization of P4 medicine through their participation in medically oriented social networks directed at improving their own healthcare. P4 medicine has striking implications for society - including the ability to turn around the ever-escalating costs of healthcare. The challenge in bringing P4 medicine to patients and consumers is twofold: first, inventing the strategies and technologies that will enable P4 medicine and second, dealing with the impact of P4 medicine on society - including key ethical, social, legal, regulatory, and economic issues. Managing the societal problems will pose the most significant challenges. Strategic partnerships of a variety of types will be necessary to bring P4 medicine to patients.