Generalisierbarkeit von Deep Learning Modellen in der zahnmedizinischen Bildanalyse

• Antragsteller: Professor Dr. Falk Schwendicke
• Fachliche Zuordnung: Zahnheilkunde; Mund-, Kiefer- und Gesichtschirurgie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 561442884

Die große Mehrheit der Deep Learning (DL) Modelle in der medizinischen und zahnmedizinischen Forschung leidet unter einem Mangel an konsistenter und generalisierbarer Performance unter variablen Randbedingungen. Dies ist häufig auf das Training mit isolierten, homogenen Datensätzen zurückzuführen, die nicht die Komplexität und Variation widerspiegeln, denen das Modell bei der Implementierung in der späteren Praxis ausgesetzt ist. Das geplante Projekt fokussiert auf die DL-gestützte Bildanalytik in der Zahnmedizin und soll ein tieferes Verständnis dafür vermitteln, wie geeignete Datensätze zusammengestellt und Modelle trainiert werden sollten, um eine hohe Generalisierbarkeit zu erreichen. Dies wird die Leistung von KI-Modellen verbessern und ihre Integration in die klinische Praxis unterstützen. Außerdem könnten die Ergebnisse dieses Projekts bei der Überwindung ähnlicher Probleme in anderen medizinischen Disziplinen hilfreich sein. Die Ziele der vorgeschlagenen Arbeitspakete (APs) werden im Folgenden vorgestellt: AP1 - Demonstration und Quantifizierung der fehlenden Generalisierbarkeit: Ziel von AP1 ist die Quantifizierung der Generalisierbarkeit durch Training und Tests von Hunderten von DL-Modellen auf verschiedenen Datenkombinationen für ausgewählte zahnmedizinische Aufgaben. Dazu gehören die Erkennung und/oder Segmentierung von apikalen Läsionen in Panoramaröntgenbildern, Karies in Bissflügeln und orale Läsionen in Fotografien. Diese umfassende Bewertung ist zwar rein deskriptiv, wird aber als Grundlage für die folgenden Pakete dienen. AP2 - Ursachen für fehlende Generalisierbarkeit: AP2 zielt darauf ab, die Merkmale von Bildmaterialien in der Zahnmedizin zu identifizieren, die für die fehlende Generalisierbarkeit verantwortlich sind. Dazu werden die verfügbaren Datensätze anhand der Metadaten in Gruppen eingeteilt, erklärbare KI verwendet, um Merkmale zu identifizieren, die für Daten aus verschiedenen Institutionen typisch sind, die Datenmerkmale in einen niedrigdimensionalen Raum projiziert und die Modellleistung auf der Grundlage der Ähnlichkeit der Datenverteilung vorhergesagt. AP3 - Erreichen der Generalisierbarkeit: Der Zweck von AP3 besteht darin, die Ergebnisse von AP2 umzusetzen und Methoden zu untersuchen, die die Generalisierbarkeit verbessern können. Dazu gehören diverse Lernansätze und die Verwendung von Transformermodellen. AP4 - Verbesserung der Generalisierbarkeit durch synthetische Daten: Die Verwendung synthetischer Daten kann die Standardisierung von Trainings- und/oder Testdaten ermöglichen und gleichzeitig die mit dem Einsatz von KI verbundenen Bedenken hinsichtlich des Datenschutzes ausräumen. Das Ziel von AP4 ist es, synthetische Daten unter Verwendung generativer Modelle zu erzeugen und ihr Potenzial zur Verbesserung der Modellgeneralisierbarkeit zu bewerten.

• DFG-Verfahren: Sachbeihilfen