Die Generierung von synthetischen, nicht- personenbezogenen Orthopantomogrammen (OPGs) mit Generativen Adversalen Netzwerken (GANs), Analyse der Authentizität und Machbarkeitsanalyse für Forschung, klinische Anwendung und Lehre.

Abstract

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.