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.

Die kurze Antwort: Für einfaches Bearbeiten und Zusammenfassen reicht Kimi K2.6 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

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 K2.6 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 K2.6 zu schärfen.

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

Pro

• Terminologische Konsistenz: Kimi K2.6 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.

Praxiserfahrung: Warum die vollständige Ontologie nicht in den Systemprompt gehört

Die oben beschriebene Einbindung der MeSH-Ontologie wurde in der Praxis mit Beaver getestet. Beaver hat die vollständige Einbindung einer 827-zeiligen MeSH-Hierarchie als festen Bestandteil der Custom Instructions ausdrücklich nicht empfohlen – trotz des technisch verfügbaren 262.144-Token-Kontextfensters von Kimi K2.6. Die Begründung:

OpenAlex funktioniert semantisch, nicht taxonomisch. Die externe Suchschnittstelle arbeitet mit Vektor-Embeddings: Wenn nach einem Begriff wie „Parodontitis" oder „Wurzelkanalbehandlung" gesucht wird, erkennt das System automatisch inhaltlich verwandte englische Begriffe wie periodontitis, root canal therapy oder endodontic treatment. Es filtert nicht über MeSH-Tree-Nummern (etwa „E06.397.778"), sondern ermittelt semantische Nähe im Embedding-Raum. Ein statischer Hierarchiebaum verändert diesen Suchmechanismus nicht zum Besseren.

Kontextfenstergröße ist kein Argument für Füllmaterial. Je mehr Text der Assistent bei jeder Anfrage verarbeiten muss, desto mehr Ressourcen werden verbraucht, ohne dass sich die Antwortqualität verbessert. Beaver löst ab 80 % des definierten Kontextfensters automatisch eine Komprimierung aus – ein mehrere Tausend Tokens umfassender Baum würde diese Schwelle früher erreichen und zu längeren Wartezeiten führen. Das Verhältnis von Signal zu Rauschen verschlechtert sich: Ein langer struktureller Baum mit reinen Verlinkungen und Hierarchienummern enthält für das Sprachmodell weniger semantisch nützliche Informationen als eine kurze, präzise Begriffsliste.

Die entwickelte Alternative: zweistufiger Ansatz

Anstatt die Ontologie in den Prompt zu pressen, empfiehlt sich eine Aufteilung auf zwei Ebenen:

Im Dauerprompt (Custom Instructions): Eine kompakte, bedingte Anweisung für zahnmedizinische Recherchen. Sie definiert die Rolle, nennt die zentralen Fachgebiete (Endodontik, Parodontologie, Prothetik, Oralchirurgie, Kieferorthopädie, Präventivzahnmedizin) und gibt konkrete Übersetzungshilfen für die OpenAlex-Suche mit (z. B. „Wurzelkanalbehandlung" → „root canal therapy"). So weiß der Assistent, wann er zahnmedizinisch denken muss, ohne bei jeder Anfrage einen Baum mitzuschleppen. Das konkrete Beispiel findet sich im Abschnitt Custom Instructions auf der Zotero-Plugin-Seite.

In der Zotero-Bibliothek: Die vollständige MeSH-Ontologie bleibt als separate Zotero-Notiz verfügbar. Bei konkreter Unsicherheit – etwa zur hierarchischen Einordnung eines Begriffs oder zur exakten Fachterminologie – kann der Assistent gezielt auf diese Notiz verwiesen werden. Für die Referenz im Prompt genügt in der Regel der Titel der Notiz. Die Datenbank-ID (1-XXXXXXXX) ist nur dann die stabilere Wahl, wenn der Titel sich ändern könnte – Beaver kann sie auf Nachfrage jederzeit nennen. Den Key ermittelt man, indem man die Notiz öffnet und oben rechts auf das Drei-Punkte-Menü → „Link kopieren" klickt; das Präfix 1- steht für die lokale Datenbank, der nachfolgende Key ist individuell. Diese Menüfunktion stammt möglicherweise vom Plugin Better Notes for Zotero (s. u.).

Das Ergebnis: Der Prompt bleibt schlank und universell nutzbar – auch für nicht-zahnmedizinische Recherchen. Die zahnmedizinische Expertise ist bei Bedarf abrufbar, verbraucht aber nur dann Ressourcen, wenn sie tatsächlich benötigt wird.

Wie die Ontologie erstellt wurde

Kimi K2.6 kann direkt auf die MeSH-Baumansicht der NLM zugreifen und daraus strukturierte Dateien erzeugen. Der folgende Prompt hat auf Anhieb funktioniert:

Ich möchte für Beaver/Zotero für Beavers (mit Kimi 2.6) Abfragen von OpenAlex eine zahnmedizinische Ontologie im Markdownformat erstellen, die aus den MeSHes der NLM besteht, die sich in Baumansicht hier finden: meshb.nlm.nih.gov/treeView. Es geht also um den Punkt „Dentistry [E06]", den Du mit allen aufklappbaren Unterpunkten herunterladen müsstest, ebenso mit allen Definitionen, die sich hinter jedem Link auf einen der MeSHes finden. Kannst Du daraus dann die hierarchische Markdowndatei erstellen?

Kimi K2.6 hat die Seite aufgerufen, alle Unterpunkte des Baums „Dentistry [E06]" aufgeklappt und die Definitionen hinter den einzelnen Links abgerufen – und daraus direkt die 827-zeilige Markdown-Datei generiert.

MeSH-Zahnmedizin-Ontologie: Download

Die MeSH-Hierarchie für Zahnmedizin (Baum E06, 827 Zeilen) steht als Markdown-Datei zum Herunterladen bereit und kann direkt als Zotero-Notiz importiert werden:

↓ MeSH_Dentistry_E06_Ontologie.md

Hinweis: Better Notes for Zotero. Das Plugin Better Notes for Zotero erweitert die Standard-Notizfunktion erheblich: Notizen lassen sich in verschiedenen Formaten exportieren (Markdown, PDF, DOCX u. a.) und das Drei-Punkte-Menü oben rechts in einer Notiz bietet die Funktion „Link kopieren", über die man die stabile Datenbank-ID erhält. Ob diese Funktionen zu Zotero selbst oder zum Plugin gehören, ist nicht in jedem Fall klar – wer sie nicht findet, sollte prüfen, ob Better Notes installiert ist.

Markdown-Editor: Marktext. Wer die heruntergeladene Datei vor dem Import ansehen oder bearbeiten möchte, dem sei Marktext empfohlen – ein schlanker, kostenloser Open-Source-Editor für Windows, macOS und Linux, der Markdown als formatiertes Dokument anzeigt (WYSIWYG). Er bietet deutlich mehr Komfort als der eingebaute Notizeditor von Zotero: Tabellen, Codeblöcke und lange Listen lassen sich übersichtlich lesen und gezielt anpassen.

Einrichtung in drei Schritten

1. In Zotero importieren: Neue Notiz in der Bibliothek anlegen, Inhalt der Datei einfügen. Für den Verweis im Prompt genügt der Titel der Notiz. Die optionale Datenbank-ID (1-XXXXXXXX) bleibt auch bei Titelwechseln stabil; den Key ermittelt man über das Drei-Punkte-Menü oben rechts in der Notiz → „Link kopieren" (ggf. Funktion des Plugins Better Notes for Zotero).
2. Custom Instructions ergänzen: Den Titel der Notiz (oder optional die Datenbank-ID 1-XXXXXXXX) in die Beaver-Custom-Instructions eintragen – wie im Abschnitt „Zahnmedizinische Recherchen" der Custom Instructions bereits umgesetzt.
3. Testabfrage: Eine Abfrage mit zahnmedizinischem Fachbegriff stellen; bei aktivierter Notiz-Einbindung zitiert Beaver die Ontologie als Quelle.

Fazit

Für das Bearbeiten und Zusammenfassen ist Kimi K2.6 ohne Ontologie mächtig genug. Geht es um das Bewerten und den systematischen Vergleich – etwa für klinische Studien oder Qualitätssicherung – bietet die Hinterlegung einer Ontologie die Validität, die ein statistisches Modell allein nicht garantieren kann. Der praktikabelste Kompromiss für den Hausgebrauch via Beaver ist der oben beschriebene zweistufige Ansatz: kompakter Dauerprompt mit Fachgebietsliste und Übersetzungshilfen, ergänzt durch die vollständige MeSH-Ontologie als Zotero-Notiz mit gezielter Referenz über die Item-ID bei Bedarf.

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 dem beschriebenen Ansatz ohne technischen Overhead erreichbar.