Zahnmedizinische Bildanalyse

Zahnärztinnen und Zahnärzte beurteilen täglich Dutzende Röntgenbilder unter Zeitdruck, und die Übereinstimmung zwischen Befundern bei beginnender Karies und Knochenabbau ist nur mäßig. Dentale KI wirkt als zweiter Befunder: Sie hebt vermutete Befunde auf Bissflügel-, Zahnfilm- und Panoramaaufnahmen sowie im DVT hervor, nummeriert die Zähne, misst Knochenniveaus und macht aus dem Ergebnis ein Bild, das die Patientin oder der Patient versteht. Sie ist in der EU ein reguliertes Medizinprodukt und unterstützt die Diagnose der Zahnärztin bzw. des Zahnarztes, ersetzt sie aber nie.

Problem & Nutzen

• Heute: Die Zahnärztin bzw. der Zahnarzt beurteilt jedes Bild visuell, oft zwischen zwei Patienten. Beginnende approximale Karies, feine periapikale Läsionen und fortschreitender parodontaler Knochenabbau werden leicht übersehen oder von verschiedenen Behandelnden uneinheitlich beurteilt. Patienten zweifeln oft an Empfehlungen, die sie nicht sehen können, und Kostenträger verlangen dokumentierte Belege.
• KI-Nutzen: einheitliche Zweitbefundung, schnellere Befunderfassung, objektive Messung des Knochenniveaus, visuelle Akzeptanz von Behandlungsplänen und strukturierte Dokumentation für das Qualitätsmanagement.
• Belege: Systematische Übersichtsarbeiten zu Deep Learning für die Erkennung von Karies und periapikalen Läsionen berichten, dass KI-Unterstützung die Sensitivität der Befunder erhöhen kann, teils um den Preis von mehr falsch positiven Befunden; die Ergebnisse schwanken je nach Datensatz und Referenzstandard, und nur wenige Studien sind prospektiv [5][6]. Behandeln Sie Genauigkeitsversprechen der Anbieter als Hypothesen, die Sie an Ihren eigenen Bildern prüfen.

Varianten

• Allgemeinzahnarztpraxis (KMU): Karies- und Knochenabbau-Überlagerung am Behandlungsstuhl auf Bissflügel-/Zahnfilmaufnahmen, integriert in die Praxisverwaltungssoftware (PVS) und die Bildgebungssoftware.
• Parodontologie: automatisierte Messung von Knochenniveau und Zahnstein für Staging und Recall.
• Oralchirurgie / Implantologie / Kieferorthopädie: DVT-Segmentierung von Zähnen, Unterkiefernerv- kanal und Kieferhöhle, Implantatplanung, kephalometrische Landmarken, Planung von Alignern.
• Dentale Dienstleistungsorganisationen und Kostenträger: retrospektive Prüfung von Bildern gegenüber abgerechneten Leistungen (siehe HLTH-005); heikel, weil Befunde die Erstattung beeinflussen können.
• Teledentistry / Verbraucher: Triage per Smartphone-Foto und Aligner-Monitoring; Bildqualität und Klassifikation sind schwächer, und der Produktstatus als Medizinprodukt muss geprüft werden. Verwandt: HLTH-006.

So funktioniert es

1. acquisition (intraoral sensor / OPG / CBCT)
2. DICOM/PACS or imaging software
3. quality check (position, cut-off, artefacts, image type routing)
4. tooth detection & FDI numbering
5. task models: caries / restoration / calculus / periapical lesion detection, bone-level segmentation, anatomy segmentation on CBCT
6. overlay + confidence + measurements
7. dentist review (accept / reject / edit each finding)
8. charting, patient communication view, report draft (LLM, optional)

• Modelle: Segmentierungsnetze im Stil von U-Net/nnU-Net, Detektoren vom Typ YOLO/DETR für Läsionen und 3D-Segmentierung für DVT; Foundation-Modelle (SAM-Varianten, MedSAM) helfen bei der Annotation.
• LLM-Schicht (optional): wandelt strukturierte Befunde in Aktentext und patientenfreundliche Formulierungen um; siehe HLTH-003 und HLTH-011. Das LLM darf keine Befunde hinzufügen, die das Bildmodell nicht erzeugt hat.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jeder Befund ist ein Vorschlag; die Zahnärztin bzw. der Zahnarzt bestätigt, verwirft oder ändert ihn, bevor er in die Akte oder einen Behandlungsplan übernommen wird. Verworfene Befunde sollten als Rückmeldung protokolliert werden.

Datenaufbereitung

Die Daten sind Intraoralröntgenbilder, Panoramaaufnahmen (OPG) und DVT-Volumina, die typischerweise in der Bildgebungssoftware oder einem kleinen PACS auf einem Praxisserver liegen; Befunddokumentation und Patientendaten liegen im Praxisverwaltungssystem. Ältere Bilder existieren möglicherweise nur als JPEG-Exporte, Screenshots oder Filmscans.

Typische Lücken: Bilder ohne DICOM-Metadaten oder mit falschen Bildtyp-Bezeichnungen, gemischte Sensoren mit unterschiedlicher Kalibrierung, Befunddokumentation als Freitext statt codierter Befunde, Duplikate nach Softwaremigrationen und unklare Einwilligung der Patienten zur Zweitnutzung von Bildern.

Schritte der Aufbereitung: - Prüfen, ob die Bildgebungssoftware DICOM exportiert oder einen DICOM-Knoten hat; die Schnittstelle mit dem Hersteller klären (PREP-005). - Alte JPEG- und Filmscans in ein einheitliches Format überführen (PREP-006, PREP-007). - Für eine Produktbewertung 100-200 repräsentative Bilder mit von den Zahnärzten bestätigten Befunden zusammenstellen (PREP-018) und vorhandene Befundeinträge als Labels nutzen, wo sie verlässlich sind (PREP-020). - Exporte für Anbietertests oder die Eigenentwicklung pseudonymisieren (PREP-022).

Bei einem gekauften Produkt ist die Datenarbeit gering (wenige Tage für Schnittstelle und Testdatensatz); bei Eigenentwicklung ist sie der größte Block, weil jeder Befund eine Expertenannotation braucht.

Umsetzungswege

Welcher Weg für wen

• smb (Zahnarztpraxis): Weg A, denn mehrere CE-gekennzeichnete Produkte für die dentale Bildgebung sind zu Praxispreisen erhältlich und lassen sich in gängige Bildgebungssoftware integrieren; der Ablauf ist Standard.
• enterprise (Zahnarztketten, DSOs): Weg A, denn zertifizierte Produkte vermeiden Herstellerpflichten; verhandeln Sie Gruppenlizenzen und zentrales Hosting, statt selbst zu bauen.
• developer: Weg C, denn offene Segmentierungs-Frameworks (nnU-Net, MedSAM) und lokale GPUs erlauben das Prototyping auf pseudonymisierten Bildern, ohne Patientendaten an Dritte zu senden.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Spezialisierte Anbieter dentaler KI: Overjet, Pearl (Second Opinion), VideaHealth, Diagnocat (DVT und 2D), Denti.AI, Relu (Belgien, DVT-Segmentierung, EU), Dentalmonitoring (Frankreich, patientenseitiges Monitoring, EU), Promaton (Niederlande, 3D-Zahnsegmentierung für die Planung, EU), Align Technology und 3Shape (Scan- und Design-Ökosysteme mit eingebetteter KI).
• Anbieter von Bildgebungs-/PVS-Software mit eingebauter KI: Dentsply Sirona (Sidexis, DS Core), Planmeca, Carestream Dental, Dürr Dental (EU) und CGM Dentalsysteme (EU) integrieren KI-Module oder vertreiben sie weiter.
• Prüfen: MDR-CE-Zertifikat, das die konkrete Indikation und die Bildtypen abdeckt (nicht nur eine FDA- Zulassung), Status der Benannten Stelle, Datenhaltung in der EU, AVV, Integration in Ihre Bildgebungs- software, Leistungsdaten an Ihrer Population sowie Ausstiegs- und Exportoptionen.
• Wählen Sie A, wenn: Sie eine Praxis oder Klinik sind; eine selbst zertifizierte regulatorische Arbeit ist nicht realistisch.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Allgemeine VLMs (Claude, Gemini, GPT, Mistral) sind keine validierten Diagnosewerkzeuge für Röntgenbilder und dürfen nicht zur Befunderhebung verwendet werden. Sinnvolle Einsätze: Entwurf von Aktentext aus strukturierten Befunden, Patientenbriefe und Abrechnungshinweise (HLTH-005), mit dem geprüften Ergebnis der Zahnärztin bzw. des Zahnarztes als Eingabe.
• Beim Bau eines Diagnoseprodukts beschränkt sich die Cloud-Nutzung auf Training und MLOps in EU-Regionen (z. B. Azure, Google Cloud, AWS-EU-Regionen oder souveräne EU-Clouds) mit pseudonymisierten Daten.

Weg C — Selbst betreiben (Open Source)

• Frameworks: MONAI, nnU-Net, Detektoren im Stil von Ultralytics, PyTorch; DICOM über Orthanc oder dcm4chee, Annotation mit CVAT oder 3D Slicer.
• Offene Daten: ToothFairy (Challenge zur DVT-Segmentierung von Unterkiefernervkanal und Zähnen), Panoramadatensätze wie die Tufts Dental Database und DENTEX, verwendbar für Forschung und Benchmarking, nicht als Nachweis klinischer Leistung [3][4].
• Hardware: HW2 genügt für 2D-Inferenz und DVT-Inferenz; das Training von 3D-Modellen benötigt HW3.
• Status: Ein selbst gebautes Modell, das zur Diagnose eingesetzt wird, ist selbst ein Medizinprodukt (eigene CE-Kennzeichnung); Forschung oder hausinterne nichtklinische Evaluation ist nur innerhalb der Grenzen von MDR Art. 5 Abs. 5 und des nationalen Rechts zulässig.

Weg D — Eigenes Training

Lohnt sich für Hersteller und große Gruppen: Feintuning auf mehreren tausend annotierten Bildern von mehreren Sensoren und Standorten, mit einem Referenzstandard aus dem Konsens mehrerer Zahnärzte (und Histologie oder DVT, wo möglich). Planen Sie eine Validierung an mehreren Standorten, eine Bias-Analyse (Alter, Gebiss, Restaurationen, Sensortyp) und die Überwachung nach dem Inverkehrbringen ein. Die Annotation ist der Kostentreiber.

Stand der Technik (2026)

• Ausgereifte Aufgaben: Zahnerkennung und -nummerierung, Erkennung von Restaurationen und Implantaten sowie die DVT- Segmentierung von Zähnen und Nervkanal sind auf sauberen Daten weitgehend gelöst. Karies, Zahnstein, Messung des Knochenabbaus und Erkennung periapikaler Läsionen sind in der 2D-Radiografie kommerziell im Einsatz.
• Trend: eine Plattform für 2D-Röntgen, DVT, Intraoralscans und Fotos; generative Patientenkommunikation und Befunddokumentation; Foundation-Modelle, die den Bedarf an beschrifteten Daten senken.
• Grenzen und Fehlerbilder: Beginnende und Sekundärkaries bleiben schwierig; Überlagerungen auf Panoramaaufnahmen; Metallartefakte im DVT; Verteilungsverschiebung zwischen Sensoren, beim Wechselgebiss von Kindern und bei seltener Pathologie; Automationsverzerrung, bei der Behandelnde Überlagerungen unkritisch übernehmen; Überdiagnostik, die unnötige Restaurationen nach sich zieht; kommerzielle Interessenkonflikte, wenn Befunde dem Zusatzverkauf dienen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Segmentierung + object-detection + DICOM-Verarbeitung): HLTH-001 Radiologie, HLTH-002 Pathologie, HLTH-006 Dermatologie und Augenheilkunde, HLTH-016 Veterinärdiagnostik. Ein DICOM-Gateway und ein GPU-Server (HW2/HW3) können mehrere validierte Modelle hosten.
• Kombinationen: HLTH-003 Ambient Documentation (Notizen), HLTH-004 klinische Entscheidungsunterstützung, HLTH-005 Kodierung und Abrechnung, HLTH-011 Berichtserstellung für Überweisungen.
• Datenpipeline: Einwilligungsmanagement, De-Identifizierung von DICOM-Headern, Annotationswerkzeuge und Drift-Monitoring sind über Anwendungsfälle der Bildgebung hinweg wiederverwendbar.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; typischerweise ein Abonnement je Praxis oder Standort plus Integration in die Bildgebungssoftware.
• Weg B: Wochen, beschränkt auf Ergänzungen für Dokumentation und Kommunikation.
• Weg C: 3-6 Monate für eine Evaluationsumgebung; deutlich länger für ein zertifiziertes Produkt.
• Weg D: 12+ Monate einschließlich klinischer Bewertung und CE-Kennzeichnung; Annotation und regulatorische Arbeit dominieren.
• Kennzahlen: Sensitivität/Spezifität gegenüber dem Konsens-Referenzstandard auf lokalen Bildern, Übersteuerungsrate, Zeit je Bild, Annahmequote von Behandlungen, Rate unnötiger Eingriffe, Recall-Einhaltung und Überwachung der Leistung je Sensortyp.

Menschen & Veränderung

Praxisinhaberin bzw. Praxisinhaber und die leitende Zahnärztin bzw. der leitende Zahnarzt entscheiden über Umfang und Budget; die zahnmedizinischen Fachangestellten, die die Bilder aufnehmen und die Software täglich nutzen, müssen von Anfang an eingebunden werden, ebenso der IT-Dienstleister (Schnittstelle, Backups, Netzwerk) und die bzw. der Datenschutzbeauftragte oder externe DSB. Bilddaten sind Gesundheitsdaten: Eine DSFA ist wahrscheinlich, wenn der Anbieter Bilder in der Cloud verarbeitet, und ein AVV (Art. 28 DSGVO) ist zwingend. Informieren Sie die Patientinnen und Patienten transparent, etwa durch einen Aushang an der Anmeldung und einen Satz in der Datenschutzerklärung.

Betriebsrat: abhängig vom Einzelfall. Kleine Praxen haben in der Regel keinen. Wo eine Kette einen Betriebsrat hat, greift § 87 Abs. 1 Nr. 6 BetrVG, wenn Nutzungsprotokolle einzelner Zahnärztinnen und Zahnärzte zur Leistungsüberwachung geeignet sind, was das BAG als ausreichend ansieht; § 90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-gestützte Arbeitsabläufe. Vereinbaren Sie, dass Protokolle nicht zur individuellen Bewertung herangezogen werden.

KI-Kompetenz (Art. 4 KI-Verordnung, Unterstützungsmaßnahmen): eine einstündige Einführung dazu, was Erkennungs-Überlagerungen können und was nicht, zu falsch positiven Befunden und Automationsverzerrung (GUIDE-006). Führen Sie einen Piloten in einem Behandlungszimmer über vier bis sechs Wochen durch, zählen Sie angenommene und verworfene Befunde und sammeln Sie Rückmeldungen (GUIDE-009). Typische Sorgen: Verlust klinischer Autonomie und des Vertrauens der Patienten. Die Zahnärztin bzw. der Zahnarzt entscheidet immer, und das Zeigen der Überlagerung an Patienten kann die Akzeptanz verbessern (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (EU AI Act): Software, die Bilder zur Diagnose auswertet, ist nach der MDR ein Medizinprodukt (Verordnung 2017/745, Regel 11, typischerweise Klasse IIa oder höher). Ist eine Benannte Stelle erforderlich, ist das KI-System nach Art. 6 Abs. 1 mit Anhang I ein Hochrisiko-System, und die Hochrisiko-Pflichten gelten nach dem jeweils geltenden Zeitplan (Produkte nach Anhang I: 2. Aug. 2028 laut Digital Omnibus on AI, Verordnung (EU) 2026/1744). Betreiber haben Pflichten zu menschlicher Aufsicht, Protokollierung und KI-Kompetenz (Art. 4, 14, 26) [1][2].
• Nicht erfasst: rein administrative Werkzeuge (Terminplanung, Aktentext ohne diagnostischen Anspruch) sind in der Regel Systeme mit minimalem Risiko. Die Einstufung folgt der Zweckbestimmung (MDCG 2019-11) [7].
• DSGVO: Bilder und Befunde sind Gesundheitsdaten (Art. 9); erforderlich sind eine Rechtsgrundlage, ein AVV mit dem Anbieter, Hosting in der EU oder ein gültiger Übermittlungsmechanismus und eine DSFA bei systematischer Verarbeitung. Die Nutzung von Patientenbildern zum Training der Modelle des Anbieters erfordert eine eigene Rechtsgrundlage oder ein Opt-out; prüfen Sie die Vertragsklauseln. Zahnärztliche Bildgebung enthält zudem biometrieähnliche Merkmale; verwenden Sie Bilder nicht zur Identifizierung.
• Berufsrecht: Die Diagnose bleibt bei der Zahnärztin bzw. beim Zahnarzt (nationales Zahnheilkundegesetz, z. B. in Deutschland das Zahnheilkunde- gesetz); das Strahlenschutzrecht verlangt für jede Aufnahme eine rechtfertigende Indikation, daher darf KI keine zusätzliche Röntgenexposition auslösen. Bewahren Sie Unterlagen gemäß den nationalen Aufbewahrungsfristen auf.
• Gegenmaßnahmen: lokale Validierung vor dem Go-live, Protokollierung von Übersteuerungen, regelmäßiger Abgleich der KI- mit den Befunden der Zahnärzte, Vertragsbedingungen zur Datennutzung und klare Patienteninformation.

Erste Schritte

1. Listen Sie die genutzten Bildtypen auf und prüfen Sie, für welche es CE-gekennzeichnete KI genau für diese Indikation gibt.
2. Führen Sie eine 4-8-wöchige Schattenevaluation von zwei Anbietern an 200-500 Ihrer eigenen Bilder durch, mit einer Konsens-Referenzbefundung durch zwei Zahnärzte.
3. Unterzeichnen Sie den AVV, prüfen Sie Hosting in der EU und Klauseln zu Trainingsdaten und schließen Sie die DSFA ab.
4. Schulen Sie das Team zu Automationsverzerrung und legen Sie fest, wann Befunde in die Akte übernommen werden dürfen.
5. Verfolgen Sie die Übersteuerungsrate und die Behandlungsergebnisse monatlich und überprüfen Sie den Anbieter jährlich.

Quellen

1. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
2. Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
3. ToothFairy challenge (CBCT segmentation) — https://toothfairy.grand-challenge.org/
4. nnU-Net — https://github.com/MIC-DKFZ/nnUNet
5. Schwendicke F. et al., Artificial intelligence in dental research — checklist for authors, reviewers, readers (J Dent) — https://pubmed.ncbi.nlm.nih.gov/32119892/
6. Schwendicke F. et al., Convolutional neural networks for dental image diagnostics: a scoping review (J Dent) — https://pubmed.ncbi.nlm.nih.gov/31622674/
7. MDCG 2019-11 — Guidance on qualification and classification of software in MDR and IVDR — https://health.ec.europa.eu/system/files/2020-09/md_mdcg_2019_11_guidance_qualification_classification_software_en_0.pdf
8. MONAI — https://monai.io/
9. Overjet — https://www.overjet.com/