Kann generative künstliche Intelligenz die Medizin revolutionieren?

Generative künstliche Intelligenz setzt sich schrittweise als ein wichtiges Werkzeug im Gesundheitsbereich durch. Sie ermöglicht die Analyse großer Mengen medizinischer Daten, unterstützt klinische Entscheidungsfindungen und verbessert die Qualität der Patientenversorgung. Eine aktuelle Analyse hat 24 Studien untersucht, um ihre Anwendung, Leistung und Umweltauswirkungen zu bewerten.

Modelle der generativen künstlichen Intelligenz lassen sich in zwei große Kategorien unterteilen: solche, die ausschließlich Text verarbeiten, und solche, die verschiedene Datentypen kombinieren, wie Bilder und Texte. Die ersten, oft auf großen allgemeinen Datenbanken vorab trainiert, werden anschließend für spezifische medizinische Aufgaben verfeinert. Dieser Verfeinerungsschritt ermöglicht es, die Modelle an präzise Bedürfnisse anzupassen, wie die Diagnose von Krankheiten oder die Analyse von Patientenakten, während gleichzeitig Zeit und Ressourcen im Vergleich zu einem vollständigen Training reduziert werden.

Multimodale Modelle, obwohl seltener, erweisen sich als besonders vielversprechend. Sie sind in der Lage, gleichzeitig medizinische Bilder und Texte zu verarbeiten, was sie für komplexe Aufgaben wie die Interpretation von Scans unter Berücksichtigung der Krankengeschichte des Patienten geeignet macht. Einige Modelle haben beispielsweise Genauigkeitsraten von bis zu 99,9 % beim Erkennen von augenheilkundlichen Erkrankungen oder bei der Klassifizierung medizinischer Bilder erreicht.

Studien zeigen, dass verfeinerte Modelle oft die vorab trainierten Modelle in Bezug auf Genauigkeit übertreffen, mit Ergebnissen, die zwischen 70,6 % und 99,9 % variieren. Sie werden für verschiedene Aufgaben eingesetzt: Klassifizierung von Krankheiten, Beantwortung medizinischer Fragen oder Erstellung von Berichten. Allerdings bleibt ihr Training sehr ressourcenintensiv. Nur wenige Studien haben die Umweltauswirkungen dieser Technologien gemessen, aber eine davon hat gezeigt, dass das Training eines Modells 486 Kilogramm CO₂ ausgestoßen hat, was den oft vernachlässigten CO₂-Fußabdruck dieser Werkzeuge unterstreicht.

Eine weitere Herausforderung liegt in der Qualität der verwendeten Daten. Die Modelle stützen sich oft auf öffentliche Datenbanken oder elektronische Patientenakten, aber es besteht das Risiko einer Datenkontamination. Dies kann die Ergebnisse verfälschen, da das Modell möglicherweise aus Informationen lernt, die bereits in den Testdaten enthalten sind, was seine tatsächliche Leistung überschätzen würde.

Konversationsanwendungen, wie Assistenten, die medizinische Fragen beantworten oder Akten zusammenfassen können, sind am weitesten verbreitet. Sie spielen eine Schlüsselrolle bei der Interaktion mit Patienten und Gesundheitsfachkräften. Dennoch werden multimodale Modelle trotz ihres Potenzials noch zu wenig genutzt, obwohl sie die Vielfalt medizinischer Daten wie Bilder, Texte und Aufzeichnungen besser nutzen könnten.

Die Leistungsbewertung basiert oft auf standardisierten Referenzen, wie Datensätzen, die entwickelt wurden, um die Fähigkeit der Modelle zu testen, medizinische Fragen zu beantworten oder Bilder zu analysieren. Diese Referenzen ermöglichen einen objektiven Vergleich der verschiedenen Systeme. Allerdings gibt es noch keine spezifischen Referenzen für bestimmte Fachgebiete wie die Zahnmedizin, was die Bewertung der Modelle in diesen Bereichen einschränkt.

Schließlich wirft die Integration dieser Technologien in die klinische Praxis ethische und Datenschutzfragen auf. Da medizinische Daten sensibel sind, muss ihre Verwendung reguliert werden, um jedes Risiko der Identifizierung von Patienten zu vermeiden. Obwohl die meisten untersuchten Modelle noch in der internen Validierungsphase sind, wird ihr großflächiger Einsatz strenge Tests erfordern, um ihre Zuverlässigkeit und Sicherheit zu gewährleisten.

Kann generative künstliche Intelligenz die Medizin revolutionieren?

Generative künstliche Intelligenz setzt sich schrittweise als ein wichtiges Werkzeug im Gesundheitsbereich durch. Sie ermöglicht die Analyse großer Mengen medizinischer Daten, unterstützt klinische Entscheidungsfindungen und verbessert die Qualität der Patientenversorgung. Eine aktuelle Analyse hat 24 Studien untersucht, um ihre Anwendung, Leistung und Umweltauswirkungen zu bewerten.

Modelle der generativen künstlichen Intelligenz lassen sich in zwei große Kategorien unterteilen: solche, die ausschließlich Text verarbeiten, und solche, die verschiedene Datentypen kombinieren, wie Bilder und Texte. Die ersten, oft auf großen allgemeinen Datenbanken vorab trainiert, werden anschließend für spezifische medizinische Aufgaben verfeinert. Dieser Verfeinerungsschritt ermöglicht es, die Modelle an präzise Bedürfnisse anzupassen, wie die Diagnose von Krankheiten oder die Analyse von Patientenakten, während gleichzeitig Zeit und Ressourcen im Vergleich zu einem vollständigen Training reduziert werden.

Multimodale Modelle, obwohl seltener, erweisen sich als besonders vielversprechend. Sie sind in der Lage, gleichzeitig medizinische Bilder und Texte zu verarbeiten, was sie für komplexe Aufgaben wie die Interpretation von Scans unter Berücksichtigung der Krankengeschichte des Patienten geeignet macht. Einige Modelle haben beispielsweise Genauigkeitsraten von bis zu 99,9 % beim Erkennen von augenheilkundlichen Erkrankungen oder bei der Klassifizierung medizinischer Bilder erreicht.

Studien zeigen, dass verfeinerte Modelle oft die vorab trainierten Modelle in Bezug auf Genauigkeit übertreffen, mit Ergebnissen, die zwischen 70,6 % und 99,9 % variieren. Sie werden für verschiedene Aufgaben eingesetzt: Klassifizierung von Krankheiten, Beantwortung medizinischer Fragen oder Erstellung von Berichten. Allerdings bleibt ihr Training sehr ressourcenintensiv. Nur wenige Studien haben die Umweltauswirkungen dieser Technologien gemessen, aber eine davon hat gezeigt, dass das Training eines Modells 486 Kilogramm CO₂ ausgestoßen hat, was den oft vernachlässigten CO₂-Fußabdruck dieser Werkzeuge unterstreicht.

Eine weitere Herausforderung liegt in der Qualität der verwendeten Daten. Die Modelle stützen sich oft auf öffentliche Datenbanken oder elektronische Patientenakten, aber es besteht das Risiko einer Datenkontamination. Dies kann die Ergebnisse verfälschen, da das Modell möglicherweise aus Informationen lernt, die bereits in den Testdaten enthalten sind, was seine tatsächliche Leistung überschätzen würde.

Konversationsanwendungen, wie Assistenten, die medizinische Fragen beantworten oder Akten zusammenfassen können, sind am weitesten verbreitet. Sie spielen eine Schlüsselrolle bei der Interaktion mit Patienten und Gesundheitsfachkräften. Dennoch werden multimodale Modelle trotz ihres Potenzials noch zu wenig genutzt, obwohl sie die Vielfalt medizinischer Daten wie Bilder, Texte und Aufzeichnungen besser nutzen könnten.

Die Leistungsbewertung basiert oft auf standardisierten Referenzen, wie Datensätzen, die entwickelt wurden, um die Fähigkeit der Modelle zu testen, medizinische Fragen zu beantworten oder Bilder zu analysieren. Diese Referenzen ermöglichen einen objektiven Vergleich der verschiedenen Systeme. Allerdings gibt es noch keine spezifischen Referenzen für bestimmte Fachgebiete wie die Zahnmedizin, was die Bewertung der Modelle in diesen Bereichen einschränkt.

Schließlich wirft die Integration dieser Technologien in die klinische Praxis ethische und Datenschutzfragen auf. Da medizinische Daten sensibel sind, muss ihre Verwendung reguliert werden, um jedes Risiko der Identifizierung von Patienten zu vermeiden. Obwohl die meisten untersuchten Modelle noch in der internen Validierungsphase sind, wird ihr großflächiger Einsatz strenge Tests erfordern, um ihre Zuverlässigkeit und Sicherheit zu gewährleisten.

Bases documentaires

Rapport de référence

DOI : https://doi.org/10.1186/s44398-026-00029-6

Titre : Use of generative artificial intelligence models in healthcare – a scoping review

Revue : BMC Artificial Intelligence

Éditeur : Springer Science and Business Media LLC

Auteurs : Ayesha Nooruddin; Abhishek Lal; Syed Muhammad Faizan Ahmed; Muhammad Huzaifa Ghori; Niha Adnan; Fahad Umer