KI · Gesundheitswesen · Medizinische Bildgebung
KI-Inferenz-Pipeline
für die Zahnmedizin
Wir haben eine eigene KI-Pipeline entwickelt, die intraorale Aufnahmen analysiert, einzelne Zähne erkennt, zahnmedizinische Anomalien klassifiziert und strukturierte Befunde je Zahn für die zahnärztliche Beurteilung erstellt, durchgängig in der Cloud betrieben.
Das Problem
Die zahnärztliche Untersuchung ist von Natur aus subjektiv und zeitaufwendig. Wer intraorale Aufnahmen beurteilt, muss jeden sichtbaren Zahn im Kopf behalten, mehrere Anomaliearten gleichzeitig bewerten und sich ein Gesamtbild der Mundgesundheit machen, und das unter Zeitdruck. Frühstadien wie beginnende Karies oder Zahnfleischentzündungen werden leicht übersehen, wenn die Beurteilung allein auf der Sichtprüfung einzelner Bilder beruht.
Unser Kunde brauchte ein System, das Aufnahmen programmatisch auswertet, einzelne Zähne über mehrere Bilder hinweg erkennt und verfolgt, ihren Zustand klassifiziert und die Befunde strukturiert darstellt, als Unterstützung der klinischen Entscheidung, nicht als Ersatz dafür.
Die KI-Inferenz-Pipeline
Wir haben eine mehrstufige Inferenz-Pipeline entworfen und schrittweise verfeinert, die aus rohen intraoralen Aufnahmen verlässliche, strukturierte klinische Ergebnisse macht. Die Architektur gliedert sich in einige Kernphasen, von denen jede eine eigene Hürde auf dem Weg vom unbearbeiteten Bild zur nutzbaren Beurteilung je Zahn löst.
Betrieb in der Cloud
Wir haben den gesamten Cloud-Betrieb verantwortet. Der Inferenzdienst ist containerisiert, damit die Auslieferung reproduzierbar und umgebungsunabhängig bleibt, und läuft auf serverloser Infrastruktur, die automatisch mit der Nachfrage skaliert und Leerlaufkosten vermeidet. Verschlüsselung und Zugriffskontrollen erfüllen die Anforderungen an Datensicherheit im Gesundheitskontext.
Eine CI/CD-Pipeline automatisiert den gesamten Build- und Release-Zyklus, sodass jede Codeänderung über einen einheitlichen, getesteten Weg in den Produktivbetrieb gelangt, ohne manuelle Schritte.
Weg zur Modellunabhängigkeit
Die Pipeline ist so angelegt, dass externe Modellabhängigkeiten schrittweise durch eigene, selbst trainierte Alternativen ersetzt werden können. Das senkt Kosten, Latenz und Abhängigkeit von Dritten, sobald genügend annotierte Daten vorliegen und die Leistungsschwellen erreicht sind.
Die Reihenfolge beginnt bei den teuersten und riskantesten Abhängigkeiten und richtet sich danach, wie schnell annotierte klinische Daten entstehen können.
Klinische Zusammenarbeit und Datenqualität
Die Leistung von KI in der medizinischen Bildgebung ist nur so gut wie die Trainingsdaten, und deren Qualität hängt an der Einheitlichkeit der Annotation. Wir haben unmittelbar mit den klinischen Beteiligten Annotationsstandards für jede Anomaliekategorie erarbeitet, Grenzfälle geklärt, Abgrenzungen definiert und Abstimmungsmaterial erstellt, darunter Entscheidungsdiagramme und Klassifikationsleitfäden. Das verringert Uneinigkeit zwischen Annotierenden und stellt sicher, dass das Modell auf Labels trainiert, die echten klinischen Konsens abbilden statt individueller Auslegung.