Effizientes Prompt-basiertes Kontinuierliches Lernen für medizinische KI
Moderne KI‑Modelle erreichen Spitzenleistungen dank großer, hochwertiger Datensätze. In der Medizin ist das jedoch kaum möglich, weil ethische, soziale und institutionelle Beschränkungen den Datenaustausch stark einschränken. Das Ergebnis: Zentralisiertes Lernen wird praktisch unmöglich und jede Einrichtung muss ihre Modelle ausschließlich mit lokalen Daten schrittweise aktualisieren.
Bei herkömmlichem Training führt die Anpassung an neue Proben häufig zu Overfitting und zum katastrophalen Vergessen bereits erlernter Informationen. Zusätzlich verschieben sich die Datenverteilungen durch unterschiedliche Diagnostikausrüstungen und Bevölkerungsgruppen, was die Modellleistung weiter beeinträchtigt.
Obwohl sich das Feld des kontinuierlichen Lernens (Continual Learning, CL) in den letzten Jahren stark weiterentwickelt hat, konzentrieren sich die meisten Ansätze noch immer auf natürliche Bilder. Der medizinische Bereich bleibt dabei weitgehend unerforscht.
Die vorgestellte Methode – Prompt‑basiertes Kontinuierliches Lernen (PCL) – nutzt einen einheitlichen Prompt‑Pool und eine minimale Expansionsstrategie. Durch das gezielte Erweitern und Fixieren eines Teilsets an Prompts wird der Rechenaufwand reduziert, während ein neu entwickelter Regularisierungsterm das Gleichgewicht zwischen Beibehaltung und Anpassung der Kenntnisse wahrt.
In Experimenten mit drei Datensätzen zur diabetischen Retinopathie (Aptos2019, LI2019 und Diabetic Retinopathy Detection) konnte das Modell die Endklassifikationsgenauigkeit um mindestens 10 % und die F1‑Score um 9 Punkte gegenüber den aktuellen Best‑in‑Class-Methoden steigern – und das bei deutlich geringeren Inferenzkosten.
Diese Ergebnisse legen den Grundstein für nachhaltige Fortschritte in der medizinischen KI. Sie ermöglichen Echtzeit‑Diagnosen, kontinuierliche Patientenüberwachung und telemedizinische Anwendungen in verteilten Gesundheitssystemen. Der zugehörige Code wird nach Annahme der Veröffentlichung freigegeben.