Inhaltszusammenfassung:
Generative Adversarial Networks (GANs) können synthetische, humane Bilder
erzeugen, die völlig frei von personenbezogenen Daten sind. In der
medizinischen Klinik, Forschung und Lehre ist die Verarbeitung von
Gesundheitsdaten in der Regel nur mit wirksamer, informierter Einwilligung
zulässig. Da dies mit logistischen Herausforderungen verbunden ist, können
synthetische Daten von großem Wert sein. Zahnärztliche
Panoramaröntgenbilder, oder auch Orthopanthomogramme (OPG) genannt, sind
aufgrund ihres hohen Standardisierungsgrades bei gleichzeitig hohem Anteil an
individuellen, personenbezogenen Daten ein geeigneter Anwendungsfall zur
Erzeugung von synthetischem Daten.
Ziel dieser Studie ist es, eine Datenbank von synthetischen OPGs (syOPGs),
welche frei von personenbezogenen Daten sind, zu erstellen und diese auf ihre
Authentizität zu überprüfen, indem ermittelt wird, inwieweit diese von realen
OPGs (reOPGs) durch medizinisches Fachpersonal unterschieden werden
können.
Mit StyleGAN2-ADA© (adaptive discriminator augmentation) von NVIDIA©
(USA) wurden aus 9.599 reOPGs einen OPG-StyleGAN trainiert und aus diesem
syOPGs erzeugt. Diese wurde dann in einer Umfrage von 54 approbierten
(Zahn)ÄrztInnen und 33 Zahnmedizinstudierenden beurteilt. 45 radiologische
Bilder (20 reOPGs, 20 syOPGs und 5 syOPGKontrollen) wurden entweder als
real oder synthetisch bewertet. Anschließend interpretierten sie ein syOPG-
Einzelbild nach 19 verschiedenen Parametern, wobei eine Übereinstimmung bei
einer Antwort von >80% oder einer Standardabweichung < ±1,5 als
Übereinstimmung gewertet wurde, andernfalls wurde es als keine
Übereinstimmung gewertet. Zusätzlich bewerteten die Teilnehmenden die
Wichtigkeit von synthetischen radiologischen Bildern für den Beruf (Likert-Skala:
0-10) und für die Gesellschaft (Likert-Skala: 0-10). Zur Überprüfung der Test-
Retest-Zuverlässigkeit wurde ein Follow-up mit >10 % aller Teilnehmer
durchgeführt.
Insgesamt lag die Sensitivität der Erkennung von syOPGs bei 78,2 % und die
Spezifität bei 82,5 %. Bei den approbierten (Zahn)ÄrztInnen lag die Sensitivität
bei 79,9 % und die Spezifität bei 82,3 %. Bei den Studierenden lag die Sensitivität
bei 75,5 % und die Spezifität bei 82,7 %. Bei der Einzel-syOPG-Interpretation
wurde bei 15 von 19 Parametern eine Übereinstimmung erreicht. Die Bedeutung
für den Beruf wurde im Median mit 7 und die Bedeutung für die Gesellschaft im
Median mit 4 bewertet. Die Test-Retest-Reliabilität, gemessen mit Cohen's
Kappa, ergab einen Wert von 0,23.
Die Studie stellt eine umfassende Machbarkeitsuntersuchung dar, die zeigt, dass
GANs synthetische radiologische Bilder erzeugen können, die teilweise selbst
von medizinischem Fachpersonal nicht von echten radiologischen Bildern zu
unterscheiden sind und somit als authentisch gelten können. Ein Einsatz in der
medizinischen Klinik, Forschung und Lehre ist somit in Zukunft realistisch. Es
ermöglicht auch die Skalierung bereits bestehender Datensätze. Während echte
OPGs viele personenbezogene Daten enthalten, sind syOPGs frei davon, was
ihre barrierefreie Nutzung und/oder Veränderung außerhalb des Datenschutzes
ermöglicht.
Synthetische Bilder haben das Potential für die universitäre Lehre, Forschung
und Klinik sowie in der Patientenaufklärung verwendet werden zu können, ohne
auf patientenbezogene Daten angewiesen zu sein. Sie können auch dazu
verwendet werden, bestehende Trainingsdatensätze zu erweitern, um die
Genauigkeit von KI-basierten Diagnosesystemen zukünftig zu verbessern. Die
Studie unterstützt damit den klinische Informationsumgang sowie die
diagnostische und therapeutische Entscheidungsfindung.
