Zwei neue Studien in der Fachzeitschrift Nature zeigen: In simulierten Patientenfällen treffen spezialisierte KI-Programme Diagnosen und Behandlungsentscheidungen so gut wie Ärztinnen und Ärzte, teils sogar besser. Bemerkenswert ist, dass beide Systeme auf mittlerweile veralteten Basismodellen laufen.
Der Artikel MIRA und AMIE: Zwei KI-Systeme diagnostizieren so gut wie Ärzte, doch ein Ergebnis wirft unbequeme Fragen auf erschien zuerst auf The Decoder.
Nano Banana
Kurzfassung
▾
Quellen
▾
Google Research hat ein neues KI-Modell für das Brustkrebs-Screening vorgestellt, das Radiologen bei der Analyse von Mammografien unterstützt.
Die Software integriert sich direkt in den Workflow der doppelten Befundung und agiert als digitaler Zweitgutachter.
Laut der in Nature veröffentlichten Studie erhöht das System die Genauigkeit der Tumorerkennung und reduziert gleichzeitig die Rate der Fehlalarme.
Krankenhäuser können durch die Technologie den akuten Personalmangel in der Radiologie abfedern und zeitintensive Routineaufgaben beschleunigen.
Google Research – Improving breast cancer screening workflows with machine learning
Nature – Studie zu KI in der Mammografie-Diagnostik (Teil 1)
Nature – Studie zu KI in der Mammografie-Diagnostik (Teil 2)
Google Research bringt ein neues Machine-Learning-Modell für die Brustkrebs-Diagnostik in die Kliniken. Die Software analysiert Mammografien im Hintergrund, entlastet Radiologen bei der zeitintensiven Doppelbefundung messbar und erhöht gleichzeitig die absolute Erkennungsrate von Tumoren. KI als digitaler Zweitgutachter Kliniken werten Mammografien in der Regel nach dem Vier-Augen-Prinzip aus. Zwei Ärzte betrachten unabhängig voneinander dieselben Röntgenbilder. Dieser etablierte Prozess bietet eine hohe diagnostische Sicherheit, bindet jedoch enorm viel Zeit und Fachpersonal. Aktuell fehlt vielen Gesundheitssystemen genau dieses Personal. Das britische NHS meldet beispielsweise einen Mangel an Radiologen von knapp 30 Prozent. Eine interne Prognose geht sogar von einem Fehlbestand von 40 Prozent bis zum Jahr 2028 aus. Das neue System von Google adressiert dieses Problem direkt und integriert sich in den bestehenden Workflow der Krankenhäuser. Die KI agiert dabei als eigenständiger zweiter Leser. Sie verarbeitet die eingehenden Scans und gleicht die Bilddaten mit über 125.000 Referenzfällen aus dem Training ab. Eine aktuelle Auswertung zeigt das enorme Einsparpotenzial in der Praxis. Die Software kann den Arbeitsaufwand für das medizinische Personal bei der Begutachtung um bis zu 40 Prozent reduzieren. Ärzte gewinnen dadurch wertvolle Zeit für die direkte Patientenversorgung. + Quelle: Google Höhere Präzision im klinischen Benchmark Die Entwickler haben die Leistungsfähigkeit der Software in einer umfassenden Studie überprüft. Die Ergebnisse erschienen im renommierten Fachmagazin Nature. Der Benchmark zeigt deutliche Verbesserungen gegenüber bisherigen Diagnose-Anwendungen im realen Klinikalltag. Das Machine-Learning-Modell übersieht weniger bösartige Gewebeveränderungen und senkt gleichzeitig die Rate der falschen Alarme. Die Technologie erkennt insbesondere sogenannte Intervallkarzinome deutlich zuverlässiger. Diese oft aggressiven Tumore fallen normalerweise erst zwischen zwei regulären Vorsorgeuntersuchungen auf. + Quelle: Google Das System arbeitet als reines Assistenzprogramm. Die finale medizinische Entscheidung trifft weiterhin ein menschlicher Experte. Die Technologie filtert offensichtliche Routinefälle heraus, lenkt den Fokus auf komplexe Befunde und beschleunigt so den gesamten Diagnoseprozess nachhaltig. Anzeige
Nano Banana
Kurzfassung
▾
Quellen
▾
Eine neue Studie in Nature Communications belegt, dass das menschliche Gehirn und große Sprachmodelle (LLMs) beim Verstehen von Erzählungen fast identische hierarchische Muster nutzen. Diese Mechanismen, bezeichnet als Drift und Shift, ermöglichen es sowohl biologischen als auch künstlichen Systemen, langfristigen Kontext zu halten und auf inhaltliche Brüche zu reagieren. Die Entdeckung widerlegt die Theorie der KI als reiner statistischer Papagei und deutet darauf hin, dass Sprachmodelle eine dem Gehirn ähnliche logische Struktur entwickelt haben. Diese Erkenntnisse könnten die Entwicklung effizienterer KI-Architekturen beschleunigen und neue Wege in der neurologischen Forschung eröffnen.
Nature Communications – Coherence in the brain unfolds across separable temporal components of narrative comprehension
arXiv – Coherence in the brain unfolds across separable temporal components of narrative comprehension (Preprint)
51CTO – Nature Communications: Das Gehirn denkt beim Hören von Geschichten schichtweise wie ein LLM
Reddit – Is AI just a copycat? Diskussion zur Studie und Intelligenz als Topologie
Forscher belegen eine tiefgreifende Ähnlichkeit bei der Verarbeitung von Geschichten in menschlichen Neuronen und künstlichen Sprachmodellen. Diese Erkenntnis verändert das Verständnis darüber, wie künstliche Intelligenz Informationen strukturiert und ob sie tatsächlich logische Zusammenhänge begreift. Die Entdeckung der synchronen Muster Wissenschaftler untersuchten in einer aktuellen Studie in der Fachzeitschrift Nature Communications, wie Probanden komplexe Erzählungen verarbeiten. Dabei verglichen sie die gemessene Gehirnaktivität direkt mit den internen Zuständen großer Sprachmodelle, den sogenannten Large Language Models. Die Ergebnisse offenbaren eine bemerkenswerte Übereinstimmung in der zeitlichen Abfolge der Informationsverarbeitung zwischen biologischen Zellen und Siliziumchips. Das Gehirn nutzt für das Verständnis von Narrativen zwei zentrale Mechanismen: den Drift und den Shift. Unter Drift verstehen Experten den langsamen, kontinuierlichen Aufbau von Kontext über längere Textpassagen hinweg. Der Shift beschreibt hingegen einen abrupten Wechsel in der neuronalen Aktivität, sobald ein neuer inhaltlicher Abschnitt in einer Geschichte beginnt oder ein Thema wechselt. Anzeige Hierarchie des Verstehens in Mensch und Maschine Diese hierarchische Struktur findet sich fast identisch in der Architektur moderner künstlicher Intelligenz wieder. In den Modellen entsprechen diese Muster den Berechnungen innerhalb der verschiedenen Schichten des Netzwerks. Während bestimmte Ebenen den langfristigen Kontext über tausende Wörter stabil halten, reagieren andere Schichten unmittelbar auf Brüche und Wendepunkte in der Erzählung. Besonders relevant ist die Beobachtung, dass die künstliche Intelligenz diese Topologie, also die mathematische Struktur der Datenverarbeitung, ohne biologische Programmierung entwickelt hat. Die Technologie scheint allein durch das Training mit Sprache denselben logischen Aufbau gefunden zu haben wie die menschliche Evolution über Jahrmillionen. Damit rücken Mensch und Maschine auf einer rein funktionalen Ebene deutlich näher zusammen als bisher angenommen. Abschied vom stochastischen Papagei Kritiker bezeichneten Sprachmodelle in der Vergangenheit oft abfällig als stochastische Papageien, die lediglich statistische Wahrscheinlichkeiten für das nächste Wort berechnen. Die neuen Daten aus der Hirnforschung stellen diese reduktionistische Sichtweise nun massiv infrage. Wenn eine künstliche Architektur dieselben komplexen Verarbeitungsmuster wie ein biologisches Gehirn zeigt, deutet dies auf ein tieferes funktionales Verständnis hin. Die Forschungsergebnisse haben weitreichende Folgen für die Entwicklung künftiger Systeme. Ingenieure könnten gezielt biologische Hierarchien in die Softwarearchitektur integrieren, um die Effizienz und das logische Denken der Modelle weiter zu optimieren. Gleichzeitig bietet die KI-Forschung den Neurowissenschaften ein mächtiges Werkzeug, um die hochkomplexen Vorgänge im menschlichen Bewusstsein besser zu simulieren und zu verstehen.
Laut einem Fachartikel in „Nature“ hat das Training des R1-Sprachmodells des chinesischen KI-Unternehmens Deepseek lediglich 294.000 US-Dollar gekostet.
Der Artikel DeepSeek: Chinas KI-Modell R1 kostete nur 294.000 Dollar im Training erschien zuerst auf THE-DECODER.de.