Zahnmedizinische Ontologie in Zotero: KI-Präzision steigern

Eine Kollegin wies mich darauf hin, dass der Einsatz einer zahnmedizinischen Ontologie als Ergänzung zu KI-Plugins den Unterschied zwischen einem plausibel klingenden und einem methodisch belastbaren Ergebnis ausmachen kann. Das hat mich veranlasst, das Thema genauer zu betrachten – und es könnte ein sinnvolles Wochenendprojekt sein.

Die kurze Antwort: Für einfaches Bearbeiten und Zusammenfassen reicht Kimi K2.5 ohne Ontologie. Für systematisches Bewerten und Vergleichen – etwa für klinische Studien oder Qualitätssicherung – ist eine Ontologie der Goldstandard. Das folgende Material basiert auf einer Gemini-Diskussion zu diesem Thema.

LLM nativ vs. Ontologie-Erweiterung

Kriterium	LLM „out of the box" (Kimi K2.5 / Gemini 2.5 Pro)	LLM + Zahnmedizinische Ontologie (RAG/KG)
Terminologische Präzision	Hohe Varianz; Risiko der Vermischung von Klassifikationen (z. B. FDI vs. Universal System)	Strikter Konsens; Begriffe werden fest auf standardisierte Konzepte gemappt
Fehleranfälligkeit	Tendenz zu Halluzinationen bei seltenen Pathologien oder spezifischen Materialparametern	Minimiert; die Ontologie dient als „Faktengitter" und schränkt den Lösungsraum ein
Strukturierte Evaluation	Gut für Zusammenfassungen; Schwächen bei systematischer Bewertung komplexer Fälle	Ermöglicht objektive Vergleiche nach hierarchischen Kriterien (z. B. Schweregrad-Grading)
Erklärbarkeit	„Black Box"; Begründungen wirken plausibel, sind aber rein statistisch generiert	Explizit; Entscheidungen können auf spezifische Ontologie-Knoten zurückgeführt werden

Zur Einordnung: Aktuelle Top-Modelle erreichen bei allgemeinen zahnmedizinischen Prüfungsfragen (MCQs) bereits über 90 % Genauigkeit – Gemini 2.5 Pro in der Pädodontologie sogar 94,5 % ohne externe Hilfe (PMC12751958, 2025). Bei bildgebender Diagnostik und Radiologie dagegen übertreffen Studierende LLMs noch in einigen Studien (ResearchGate, 2026), was den Bedarf an strukturierter Unterstützung unterstreicht.

Pro & Kontra: Ontologie-Integration

Pro

Hierarchisches Wissen: Eine Ontologie definiert explizite Relationen, die LLMs nur implizit kennen – z. B. „Pulpitis" ist Teil von „Endodontopathien". Das ist essenziell für die Bewertung von Behandlungsplänen (PMC12916606, 2026).
Standardisierung: Bei der Analyse von Texten verschiedener Quellen (Klinikberichte vs. Fachartikel) vereinheitlicht die Ontologie unterschiedliche Nomenklaturen und erhöht die Vergleichbarkeit massiv.
Vermeidung von Bias: LLMs neigen dazu, häufig vorkommende Diagnosen überzubewerten. Eine Ontologie erzwingt die Berücksichtigung des gesamten diagnostischen Baums.

Kontra

Wartungsaufwand: Zahnmedizinische Erkenntnisse – besonders in Materialkunde und digitaler Prothetik – ändern sich schnell. Statische Ontologien veralten, während LLMs mit Web-Search-Tools oft aktuellere Daten ziehen (Frontiers, 2026).
Komplexität der Integration: Die Verknüpfung via Knowledge Graphs oder RAG erfordert technische Infrastruktur (Vektordatenbanken, Mapping-Layer), die für einfache Textvergleiche überdimensioniert ist.
Native Performance: Für reine Zusammenfassungen und Faktenfragen ist der Mehraufwand kaum gerechtfertigt.

Welche Ontologien und Thesauri gibt es?

Für den praktischen Einstieg kommen drei Quellen in Frage, die kostenlos zugänglich sind:

MeSH-Terms (Medical Subject Headings): Die Terminologie der US National Library of Medicine, frei zugänglich unter nlm.nih.gov/mesh. Für Zahnmedizin relevant ist der Baum „Stomatognathic Diseases" (C07). Export als CSV oder XML möglich.
SNOMED CT Dental: Der umfassendste klinische Thesaurus; Deutschland ist seit 2021 SNOMED-Mitglied, die Nutzung ist für Angehörige der Gesundheitsberufe kostenlos. Zugang über snomed.org nach Registrierung.
FDI-Thesaurus: Die Terminologie der Fédération Dentaire Internationale – kompakter und praxisnäher als SNOMED CT, gut geeignet als Einstieg.

Für den Hausgebrauch via Beaver ist eine flache Terminologieliste (CSV oder strukturiertes PDF) als Einstieg vollkommen ausreichend – die logischen Relationen der vollständigen Ontologie braucht man erst für spezialisierte Forschungsanwendungen.

Praktische Umsetzung: Drei Schritte

Die bestehende Beaver/Zotero-Installation ist bereits eine RAG-Infrastruktur – die Ontologie muss nur als durchsuchbare Textquelle verfügbar gemacht werden.

1. Ontologie als „Referenz-Bibliothek" in Zotero anlegen

Ontologie-Dokument (z. B. MeSH-Dental als PDF oder CSV) exportieren und in eine eigene Zotero-Sammlung mit dem Namen Zahnmedizinische_Ontologie importieren. Beaver indiziert dann diese Begriffe; wenn Kimi K2.5 Texte bewertet, hat es Zugriff auf die exakten Definitionen und Hierarchien als „Ground Truth".

2. System-Prompt in Beaver konfigurieren

In den Beaver-Einstellungen die Priorisierung der Quellen festlegen. Beispiel-Instruktion:

„Nutze für die Bewertung des vorliegenden Textes primär die Begriffe und Definitionen aus der Sammlung ‚Zahnmedizinische_Ontologie'. Wenn ein klinischer Befund von der dort hinterlegten Nomenklatur abweicht, markiere dies explizit als Diskrepanz."

3. Concept-Mapping via Zotero-Tags

Die Tagging-Funktion von Zotero nutzen, um Ontologie-Einträge mit klinischen Texten zu verknüpfen. Für die Automatisierung gibt es Skripte via PyZotero, die Texte gegen eine Ontologie prüfen und automatisch Tags vergeben. Beaver nutzt diese Tags beim Retrieval, um den Kontext für Kimi K2.5 zu schärfen.

Pro & Kontra: Ontologie-gestütztes RAG via Beaver/Zotero

Pro

Terminologische Konsistenz: Kimi K2.5 wird gezwungen, standardisierte Begriffe zu verwenden – „Parodontitis apicalis" statt „Wurzelentzündung" – was die professionelle Qualität sichert (Journal of Dental Research, 2025).
Audit-Trail: Bei jeder Bewertung ist nachvollziehbar, auf welche Ontologie-Knoten sich das LLM bezieht, da Beaver die Quellen zitiert.
Geringer technischer Overhead: Kein neues System nötig – die vorhandene Zotero-Datenbank wird zum Wissensgraph.

Kontra

Retrieval-Präzision: Beaver nutzt standardmäßig Vektorsuche. Bei sehr großen Ontologien werden eventuell nur die semantisch ähnlichsten (nicht unbedingt die relevantesten) Teile geladen – Risiko von „Soft-Halluzinationen".
Statische Struktur: Eine importierte Ontologie aktualisiert sich nicht selbstständig. Neue Klassifikationen (z. B. Änderungen der EFP/AAP-Klassifikation) müssen manuell nachgepflegt werden.

Wochenendprojekt: konkreter Einstieg

Wer das ausprobieren möchte, ohne sich in technische Komplexität zu verlieren:

MeSH-Dental herunterladen: Auf nlm.nih.gov/mesh nach „dentistry" suchen, den Teilbaum C07 als Text oder XML exportieren und als PDF speichern.
In Zotero importieren: Neue Sammlung „Zahnmedizinische_Ontologie" anlegen, die MeSH-Datei hinzufügen.
Beaver-System-Prompt anpassen: Die oben genannte Instruktion in die Beaver-Einstellungen eintragen.
Testabfrage: Eine bekannte Studie aus dem eigenen Fachgebiet bewerten lassen und prüfen, ob Beaver die Ontologie-Sammlung als Quelle zitiert.

Das Ganze ist in zwei bis drei Stunden umsetzbar – der größte Zeitaufwand liegt im Verständnis der MeSH-Exportformate.

Fazit

Für das Bearbeiten und Zusammenfassen ist Kimi K2.5 ohne Ontologie mächtig genug. Geht es um das Bewerten und den systematischen Vergleich – etwa für klinische Studien oder Qualitätssicherung – bietet die Hinterlegung einer Ontologie (SNOMED CT Dental, MeSH, FDI-Thesaurus) die Validität, die ein statistisches Modell allein nicht garantieren kann. Der praktikabelste Kompromiss für den Hausgebrauch via Beaver ist der textbasierte Ansatz: Ontologie als PDF in Zotero, System-Prompt mit expliziter Priorisierung.

In der medizinischen KI-Forschung besteht Konsens, dass LLMs ohne externe Wissensanker für die klinische Zertifizierung ungeeignet sind (Nature Digital Medicine, 2025). Für den wissenschaftlichen Hausgebrauch ist die Schwelle deutlich niedriger – und mit der beschriebenen Drei-Schritte-Umsetzung erreichbar.