Analyse und prognostische Modellierung dentaler Bilddaten unter Anwendung von Maschinellem Lernen

• Antragsteller: Professor Dr. Falk Schwendicke, seit 8/2022
• Fachliche Zuordnung: Zahnheilkunde; Mund-, Kiefer- und Gesichtschirurgie
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 445925495

Orale Erkrankungen wie Karies und Parodontitiden gehören zu den häufigsten Erkrankungen der Welt und führen zu erheblichen Belastungen für den Einzelnen und das Gesundheitssystem. Dentale Bilddaten sind eine unverzichtbare Quelle für die Erkennung und Diagnose von oralen Erkrankungen. Insbesondere in der Zahnmedizin sind bildgebende Verfahren weit verbreitet: Über 50% aller in Deutschland aufgenommenen Röntgenaufnahmen stammen aus der Zahnmedizin. Die bildgebenden Verfahren in der Zahnmedizin sind multimodal. So können beim selben Patienten intra- oder extraorale Röntgenaufnehmen aber auch Bilder aus transilluminatorischen Verfahren und Fotos vorhanden sein. Die Kombination dieser Daten mit weiteren klinischen Parametern ermöglicht Querschnitts-, Längsschnitts- und Risikoanalysen bzw. –prognosen. Selbst für Experten ist es jedoch nahezu unmöglich, diese Gesamtheit an Daten bei klinischen Entscheidungsfindungsprozessen zu berücksichtigen. Im Rahmen des Forschungsvorhabens verfolgen wir das Ziel, verschiedene Bildmodalitäten und textbasierte patientenbezogene Gesundheitsdaten zu kombinieren - was wir als "Cross-Talk" bezeichnen - um daran verschiedene Techniken des maschinellen Lernens (ML) zu evaluieren. In früheren Studien haben wir konvolutionäre, neuronale Netzwerke (CNNs) für die Zahndetektion und –klassifikation sowie zur pixelbasierten Segmentierung von Zähnen, Restaurationen und Zahnstrukturen (Schmelz, Dentin und Pulpa) auf röntgenologischen Aufnahmen eingesetzt. Des Weiteren haben wir CNNs eingesetzt, um basierend auf Nah-Infrarotlicht-Transilluminationsbildern kariöse von nicht-kariösen Zähnen zu unterscheiden. Darüber hinaus haben wir CNNs eingesetzt, um apikale Läsionen und parodontalen Knochenabbau zu detektieren. Diese Studien zeigten, dass die diagnostische Leistung von CNNs ähnlich exakt ist wie diejenige durchschnittlicher Zahnärzte und unterstrichen das Potenzial dieser Technologie in der Zahnmedizin den Bedürfnissen von Klinikern und Patienten nach einer systematischen und potenziell genaueren Diagnostik gerecht zu werden.Die Zahnklinik der Charité - Universitätsmedizin Berlin verfügt über eine Datenbank mit klinischen Aufzeichnungen (> 20.000) und annotierten Bilddaten (> 10.000), die eine Voraussetzung für die Anwendung von ML bilden. In den geplanten Studien wollen wir (1) evaluieren, ob es die Integration verschiedener Bildmodalitäten ermöglicht, die diagnostische Unschärfe bestimmter bildgebender Verfahren zu überwinden; (2) Strategien zur Bewältigung von Klassenungleichgewichten erproben - eine inhärente Herausforderung in den Biowissenschaften; und (3) durch die Kombination von klinischen Aufzeichnungen und längsschnittigen Bilddaten Vorhersagemodelle entwickeln. Das geplante Forschungsvorhaben wird zu einem besseren Verständnis der Anwendung von CNNs in der Zahnmedizin beitragen. Die Forschung wird dazu beitragen, KI-basierte Technologien in der Zahnmedizin zum Nutzen von Klinikern und Patienten zu etablieren.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortliche: Professor Dr. Christof Dörfer; Professor Dr. Sebastian Paris
• Ehemaliger Antragsteller: Dr. Joachim Krois, bis 8/2022