Herausforderungen der KI-Bildanalyse in der Medizin

LONDON (IT BOLTWISE) – Die Integration von Künstlicher Intelligenz in die medizinische Bildanalyse verspricht erhebliche Fortschritte in der Diagnostik. Doch eine kürzlich veröffentlichte Studie zeigt, dass kommerzielle KI-Modelle in diesem Bereich noch mit erheblichen Herausforderungen konfrontiert sind.

Die Nutzung von Künstlicher Intelligenz zur Analyse medizinischer Bilddaten wird als ein bedeutender Fortschritt in der Diagnostik angesehen. Doch eine aktuelle Studie, veröffentlicht in der Fachzeitschrift NEJM AI, zeigt, dass kommerzielle KI-Modelle in der Praxis noch nicht die notwendige Genauigkeit erreichen. Forscher der Universitätsmedizin Mainz und des Else Kröner Fresenius Zentrums für Digitale Gesundheit der TU Dresden haben herausgefunden, dass sogenannte ‘Prompt Injections’ die Ergebnisse multimodaler KI-Modelle erheblich beeinflussen können.

Prompt Injections treten auf, wenn zusätzliche Textinformationen auf Bildern als unbeabsichtigte Eingaben wirken, die die Entscheidungsfindung der KI-Modelle beeinflussen. Besonders problematisch ist dies bei histopathologischen Bildern, auf denen handschriftliche Notizen oder Wasserzeichen häufig vorkommen. Die Studie untersuchte Modelle wie Claude 3 Opus, Claude 3.5 Sonnet und GPT-4o, die nicht speziell mit histopathologischen Daten trainiert wurden. Die Ergebnisse zeigten, dass die Modelle bei passenden Zusatzinformationen korrekte Ergebnisse lieferten, jedoch bei irreführenden Informationen fehlerhafte Ausgaben produzierten.

Prof. Sebastian Försch, Leiter der AG Digitale Pathologie & Künstliche Intelligenz an der Universitätsmedizin Mainz, betont, dass KI-Modelle, die sowohl auf Text- als auch auf Bilddaten trainiert sind, besonders anfällig für diese Art von Eingriffen sind. Ein Beispiel ist ein Röntgenbild eines Lungentumors, das mit einem Text versehen wird, der das Modell anweist, den Tumor zu ignorieren. Dies verringert die Fähigkeit des Modells, den Tumor korrekt zu identifizieren, erheblich.

Die Forscher empfehlen, dass KI-Modelle und deren Ergebnisse immer durch menschliche Experten validiert werden sollten, bevor sie in der klinischen Praxis zum Einsatz kommen. Speziell trainierte Modelle könnten weniger fehleranfällig auf ergänzende Textinformationen reagieren. Das Team der Universitätsmedizin Mainz arbeitet derzeit an der Entwicklung eines spezifischen ‘Pathology Foundation Model’.

Auf dem 129. Ärztetag wurde die Notwendigkeit betont, eigene KI-Modelle zu entwickeln, um die Abhängigkeit von großen kommerziellen Anbietern aus den USA und China zu verringern. Europäische und datenschutzfreundliche Lösungen sollen entwickelt werden, wobei der Arzt immer das letzte Wort bei Entscheidungen zur Diagnose und Therapie haben sollte.

Die Studie unterstreicht die Bedeutung einer systematischen Prüfung der Schwachstellen und potenziellen Fehlerquellen von KI-Modellen. Es reicht nicht aus, die Fähigkeiten eines Modells zu zeigen; es muss gezielt untersucht werden, was es noch nicht kann. Diese Erkenntnisse sind entscheidend, um die Zuverlässigkeit und Sicherheit von KI in der medizinischen Praxis zu gewährleisten.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!