KI-Diagnoseausrichtung: Inferenz‑Snapshots stärken Expertenvalidierung

Eine neue Studie aus dem arXiv-Repository präsentiert ein innovatives Verfahren zur Ausrichtung von KI‑Diagnosen auf menschliche Expertise. Durch die Erhaltung der vom KI erzeugten Bild‑Berichte als unveränderliche Inferenz‑Snapshots wird ein strukturierter Vergleich mit den von Ärzten validierten Ergebnissen ermöglicht.

Das System kombiniert ein vision‑fähiges Large‑Language‑Model, eine BERT‑basierte Extraktion medizinischer Entitäten und einen Sequential Language Model Inference (SLMI) Schritt, um vor der Expertenprüfung eine domänenspezifische Verfeinerung sicherzustellen. Diese Pipeline bildet die Grundlage für die systematische Analyse der Übereinstimmung zwischen KI‑ und Arztdiagnosen.

In einer Evaluation mit 21 dermatologischen Fällen, die jeweils ein KI‑Arzt‑Paar repräsentierten, wurden vier Ebenen der Übereinstimmung gemessen: die exakte Primär‑Match‑Rate (PMR), eine semantisch angepasste Rate (AMR), die Kategoriezusammenstellung und die umfassende Übereinstimmungsrate (CCR). Die exakte Übereinstimmung betrug 71,4 % und blieb auch bei semantischer Anpassung unverändert. Durch die Analyse von Kreuzkategorien und Differenzialüberlappungen erreichte das System eine 100 %ige umfassende Übereinstimmung (95 % KI: 83,9 %–100 %). Es traten keine Fälle vollständiger diagnostischer Divergenzen auf.

Die Ergebnisse zeigen, dass eine binäre lexikalische Bewertung die klinisch relevante Übereinstimmung stark unterschätzt. Durch die Modellierung der Expertenvalidierung als strukturierte Transformation kann die KI‑Korrektur dynamisch quantifiziert und nachvollziehbar bewertet werden. Dies unterstützt die Entwicklung von Bild‑basierten klinischen Entscheidungsunterstützungssystemen, die sowohl präzise als auch transparent in ihrer Ausrichtung auf menschliche Expertise sind.