DeepMedix‑R1: Erklärbare Röntgenanalyse dank Online‑Reinforcement‑Learning

Medizinische Foundation‑Modelle (FMs) haben in den letzten Jahren enorme Fortschritte erzielt, doch ihre Antworten bleiben häufig im Black‑Box‑Modus verborgen. Das erschwert die praktische Nutzung in der klinischen Praxis, weil Ärzte nicht nachvollziehen können, wie ein Modell zu einer bestimmten Diagnose gelangt. DeepMedix‑R1 löst dieses Problem, indem es nicht nur präzise Befunde liefert, sondern gleichzeitig nachvollziehbare Begründungsschritte anzeigt, die direkt auf Bildregionen verweisen.

Das neue FM nutzt einen dreistufigen Trainingsablauf. Zunächst wird es auf sorgfältig kuratierten Röntgen‑Instruktionsdaten feinjustiert, um grundlegende Interpretationsfähigkeiten zu erlernen. Anschließend werden synthetische Begründungsbeispiele eingesetzt, um das Modell von Anfang an mit erklärbaren Antworten zu versorgen. Der letzte Schritt besteht aus Online‑Reinforcement‑Learning, bei dem das Modell in Echtzeit seine Begründungen und Ergebnisse optimiert, um sowohl die Qualität der Erklärungen als auch die generelle Leistung zu steigern.

In quantitativen Tests übertrifft DeepMedix‑R1 bestehende Modelle deutlich: Bei der Berichtserstellung liegt die Verbesserung gegenüber LLaVA‑Rad bei 14,54 % und gegenüber MedGemma bei 31,32 %. Im Bereich der visuellen Fragen‑Antworten übertrifft es MedGemma um 57,75 % und CheXagent um 23,06 %. Zur objektiven Bewertung wurde das Report‑Arena‑Framework entwickelt, das fortschrittliche Sprachmodelle nutzt, um die Qualität der Antworten zu prüfen und die Überlegenheit von DeepMedix‑R1 weiter zu belegen.

Expertenbewertungen der generierten Begründungsschritte zeigen, dass DeepMedix‑R1 nicht nur interpretierbarer, sondern auch klinisch plausibler ist als das etablierte Qwen2.5‑VL‑7B‑Modell. Mit einem Gesamtpräferenzwert von 0,7416 gegenüber 0,2584 des Konkurrenzmodells demonstriert DeepMedix‑R1, dass erklärbare KI‑Modelle in der Radiologie realistisch und zuverlässig eingesetzt werden können.