KI-gestützte Diagnostik: Wissensgraphen und Prototypen liefern präzise Vorhersagen

Die Vorhersage von Krankheiten allein anhand von Patientendaten wie Alter, Geschlecht und selbstberichteten Symptomen gewinnt zunehmend an Bedeutung. Sie verspricht, das Bewusstsein der Patienten zu stärken, eine frühzeitige medizinische Einbindung zu ermöglichen und die Effizienz des Gesundheitssystems zu verbessern. Bisher stoßen jedoch bestehende Ansätze an Grenzen: Ungleichgewicht in der Krankheitsverteilung und mangelnde Interpretierbarkeit führen zu voreingenommenen oder unzuverlässigen Prognosen.

Um diese Herausforderungen zu überwinden, wurde das Knowledge graph-enhanced, Prototype-aware, and Interpretable (KPI)-Framework entwickelt. KPI integriert systematisch strukturierte und vertrauenswürdige medizinische Erkenntnisse in einen einheitlichen Krankheits-Wissensgraphen, erstellt klinisch sinnvolle Krankheitsprototypen und nutzt kontrastives Lernen, um die Vorhersagegenauigkeit – besonders bei seltenen Erkrankungen – zu steigern.

Ein weiteres Highlight des KPI-Ansatzes ist die Einbindung großer Sprachmodelle (LLMs), die patientenspezifische, medizinisch relevante Erklärungen generieren. Diese Erklärungen erhöhen die Interpretierbarkeit und Zuverlässigkeit der Vorhersagen, indem sie sich eng an die individuellen Patientenerzählungen anlehnen.

Umfangreiche Experimente mit realen Datensätzen zeigen, dass KPI die führenden Methoden in Bezug auf Genauigkeit übertrifft und gleichzeitig klinisch valide Erklärungen liefert. Diese Ergebnisse unterstreichen die praktische Relevanz von KPI für eine patientenorientierte Gesundheitsversorgung und markieren einen bedeutenden Fortschritt in der datengetriebenen Diagnostik.