LLMs liefern präzise Gegenfaktische Interventionen für digitale Gesundheit

In einer wegweisenden Studie wird gezeigt, wie große Sprachmodelle (LLMs) gezielt Gegenfaktische Erklärungen (CFEs) erzeugen können, die sowohl als präventive Interventionen als auch als Datenaugmentation für robuste Machine‑Learning‑Modelle dienen. CFEs identifizieren minimal notwendige, umsetzbare Änderungen, um die Vorhersage eines Modells zu verändern, und bieten damit eine menschzentrierte Interpretierbarkeit.

Die Autoren haben die Generierung von CFs mit mehreren LLMs evaluiert: GPT‑4 (Zero‑Shot und Few‑Shot), BioMistral‑7B und LLaMA‑3.1‑8B, jeweils in vortrainierter und feinabgestimmter Form. Auf dem multimodalen AI‑READI‑Klinikdatensatz wurden die CFs anhand von drei Kriterien bewertet – Interventionsqualität, Merkmalsdiversität und Augmentationswirksamkeit.

Ergebnisse zeigen, dass feinabgestimmte LLMs, insbesondere LLaMA‑3.1‑8B, CFs mit einer Plausibilität von bis zu 99 % und einer Validität von bis zu 0,99 erzeugen. Die erzeugten Feature‑Anpassungen sind realistisch und verhaltensändernd. In Szenarien mit knappen Labels konnten LLM‑generierte CFs die Klassifikatorleistung um durchschnittlich 20 % F1‑Score wiederherstellen. Im Vergleich zu optimierungsbasierten Baselines wie DiCE, CFNOW und NICE bieten LLMs einen flexiblen, modellagnostischen Ansatz, der klinisch umsetzbare und semantisch kohärente Gegenfaktische liefert.

Die Studie unterstreicht das Potenzial von LLM‑gesteuerten Gegenfaktischen für die Gestaltung interpretierbarer Interventionen und die daten­effiziente Modell­schulung in sensor‑basierten digitalen Gesundheitsanwendungen. Das Projekt SenseCF demonstriert, wie ein feinabgestimmtes LLM valide, repräsentative Gegenfaktische erzeugen kann, die sowohl für die klinische Entscheidungsfindung als auch für die Verbesserung von KI‑Modellen von Nutzen sind.