 |  | Theo Dingermann |
 |
29.04.2025 16:20 Uhr |
Ein KI-System hat in einer Studie exaktere Diagnosen gestellt und auch in puncto empathischer Gesprächsführung besser abgeschnitten als Hausärzte. Allerdings war die Gesprächssituation ein Chat und damit kein realistisches Szenario für eine Hausarztpraxis. / © Adobe Stock/chinnarach
Systeme mit Künstlicher Intelligenz (KI) werden zunehmend leistungsfähiger und zuverlässiger und könnten künftig die Zugänglichkeit und Qualität der Versorgung verbessern. AMIE (Articulate Medical Intelligence Explorer) ist ein derartiges KI-System, das Forschende um Dr. Tao Tu, Dr. Mike Schaekermann und Dr. Anil Palepu von Google Research in Mountain View, USA, jetzt im Fachjournal »Nature« vorstellen. Das KI-System wurde für diagnostische Dialoge im klinischen Kontext optimiert, um eine natürliche, empathische und medizinisch fundierte Interaktion zwischen KI auf der einen Seite und Patienten auf der anderen Seite zu ermöglichen, insbesondere in textbasierten Telemedizin-Szenarien.
AMIE basiert auf einem großen Sprachmodell (LLM), das durch mehrere Datenquellen feinabgestimmt wurde. Zu diesen zählten das MedQA (medizinisches Question-Answering) Dataset, das Multiple-Choice-Fragen enthält, die für die US-amerikanischen medizinischen Zulassungsprüfungen (USMLE) verwendet werden, ärztliche Langform-Frage/Antwort-Systeme, die detaillierte Erklärungen bieten und die Komplexität realer klinischer Szenarien widerspiegeln, Zusammenfassungen klinischer Notizen und transkribierte reale medizinische Gespräche.
Eine Besonderheit von AMIE ist das sogenannte zweistufige Self-Play-Verfahren, bei dem die KI in simulierten Dialogen sowohl die Rolle des Arztes als auch die des Patienten einnimmt. Diese Dialoge werden durch eine zusätzliche Kritiker-KI bewertet, die Feedback zu diagnostischer Qualität, Empathie und Professionalität gibt. Auf diese Weise entsteht ein iteratives Selbstverbesserungssystem.
Um die Relevanz klinischer Entscheidungen zu erhöhen, nutzt AMIE während der Dialogführung eine sogenannte Chain-of-Reasoning-Strategie, bei der in mehreren Schritten Symptome, Differenzialdiagnosen und notwendige weitere Informationen analysiert werden, bevor eine Antwort formuliert wird.
