Rare-Disease AI: Welche Signale tragen wirklich?

01 · Die richtige KI für seltene Krankheiten

Stellen Sie sich vor, Sie sind seit Jahren krank, und niemand kann Ihnen sagen, was Sie haben. Für Menschen mit einer seltenen Krankheit ist das oft der Alltag — im Schnitt vergehen Jahre bis zur richtigen Diagnose. Die große Hoffnung heißt gerade künstliche Intelligenz. Aber welche KI hilft hier wirklich, und woran erkennt man das? Genau das schauen wir uns heute an, Schritt für Schritt und mit ehrlichen Zahlen. Eine Untersuchung von Sebastian Schmoll. Und ja, die Stimme, die Sie hören, ist selbst KI-generiert.

02 · Wie groß das Problem wirklich ist

Und hier lohnt der Blick auf die Größenordnung, denn das Wort „selten“ täuscht. Es gibt rund siebentausend verschiedene seltene Krankheiten. Einzeln trifft jede nur wenige — zusammen aber rund dreihundert Millionen Menschen weltweit, mehr als Krebs und AIDS zusammen, ungefähr jeder Siebzehnte. Für die Betroffenen beginnt meist eine regelrechte Diagnose-Odyssee: im Schnitt vier bis sieben Jahre, drei bis zehn Ärzte, oft mehrere Fehldiagnosen, bevor überhaupt ein Name feststeht. Und selbst dann gibt es für rund fünfundneunzig Prozent dieser Krankheiten keine zugelassene Therapie. Etwa siebzig Prozent beginnen im Kindesalter. Das ist kein Nischenproblem — es ist eine der größten ungelösten Fragen der Medizin. Genau deshalb ist die Hoffnung auf künstliche Intelligenz hier so groß.

03 · Kann man nicht einfach das Sprachmodell fragen?

Fangen wir mit der Idee an, die fast jeder zuerst hat. Man nimmt den ganzen Krankenbericht, kippt ihn in ein großes Sprachmodell wie ChatGPT und fragt einfach: Was hat dieser Patient? Das klingt bestechend. Aber hier wird es schwierig, und zwar aus einem konkreten Grund: Bei seltenen Krankheiten ist die Auswahl riesig — hunderte, tausende mögliche Diagnosen gleichzeitig — und für die meisten davon gibt es kaum Beispiele, aus denen irgendjemand lernen könnte. Statt zu raten, ob das funktioniert, messen wir es. Und zwar an echten, bereits gelösten Fällen, bei denen die richtige Antwort zweifelsfrei feststeht.

04 · Warum sich Dranbleiben lohnt

Bevor wir messen, drei Versprechen, warum sich das Dranbleiben lohnt. Erstens: Ein winziges, billiges Modell schlägt gleich das große Sprachmodell — unter einer Bedingung, die fast niemand ausspricht.

Zweitens: An einer echten, behandelbaren Krankheit — Moyamoya — sehen wir, wie eine KI Fälle Jahre früher aufspüren könnte, rechtzeitig für eine Operation, die Schlaganfälle verhindert.

Und drittens, das Unbequeme: Drei Fallen zerstören fast jede schöne KI-Zahl — Leckage, Grundrate und Datenherkunft. Wir prüfen jede schonungslos, und manche Zahl zerbricht dabei. Bleiben Sie dran.

05 · Woher die Daten kommen — öffentliche Forschungsdatensätze

Kurz, worauf das alles beruht: ausschließlich öffentliche, zitierbare Forschungsdatensätze, und alles tatsächlich gemessen. RareBench bündelt rund eintausendhundert Fälle als genormte Symptom-Codes mit gesicherter Diagnose. MMRareBench bringt vierhundertvierundsiebzig Fälle aus echten Klinik-Texten und publizierten Bildern. MultiCaRe liefert offene Fallberichte mit Bild und Text — daraus bauen wir später die Moyamoya-Fallstudie. Und Orphanet ist eine Wissensdatenbank mit über viertausend Krankheiten, für das Nachschlage-Modell. Echte Patientendaten zeigen wir nie, nur synthetische Beispiele. Fangen wir mit dem einfachsten Format an: den HPO-codierten Fällen.

06 · Fangen wir einfach an: ein HPO-codierter Fall

So sieht so ein Fall konkret aus. Jedes Symptom ist als genormter H P O-Code hinterlegt — Human Phenotype Ontology, ein einheitliches Wörterbuch für Krankheitszeichen, damit Krampfanfall immer dasselbe meint, egal welche Klinik es aufgeschrieben hat. Das Beispiel hier ist natürlich erfunden. Auf genau solchen Fällen messen wir jetzt die drei Ansätze.

07 · Drei Wege — auf denselben Fällen gemessen

Es gibt grob drei Wege, so eine Krankheit zu erkennen. Erstens ein trainiertes Modell, das aus gelösten Fällen die Muster lernt. Zweitens ein Wissensmodell, das in einer Art medizinischem Lexikon nachschlägt und gar keine eigenen Beispiele braucht. Drittens das große Sprachmodell von eben, direkt gefragt. Als Maß nehmen wir top-1: Steht die richtige Diagnose ganz oben auf Platz eins? Auf einem Datensatz mit vielen wiederkehrenden Diagnosen gewinnt das trainierte Modell klar, bei etwa null Komma acht — also acht von zehn richtig. Und damit das fair ist, haben wir das Sprachmodell gleich in zwei Größen gefragt — ein mittleres mit vierzehn Milliarden Parametern und ein siebenmal größeres mit hundertzweiundzwanzig Milliarden, beide mit Beispielen. Das überraschende Ergebnis: Das kleinere trifft sogar etwas besser, knapp die Hälfte, das riesige nur gut ein Drittel. Größer ist hier also nicht besser — und beide bleiben weit hinter dem trainierten Modell, während das reine Lexikon mit einem Siebtel ganz abreißt. Das ist eine faire Vergleichslinie, aber noch nicht der letzte Stand der Technik wie ein Frontier-Modell. Und trotzdem: Das mit Abstand kleinste, billigste Modell gewinnt. Warum, das sehen wir jetzt.

08 · Ein Beispiel — was sagt jeder Ansatz?

Machen wir es greifbar an einem erfundenen Fall — als HPO-Codes, genau wie das Modell ihn sieht: wiederkehrende Krampfanfälle, Entwicklungsverzögerung, eine Laktatazidose und eine schlaganfallartige Episode. Was sagt jeder Ansatz? Das Sprachmodell tippt vage auf eine mitochondriale Störung, landet aber selten exakt auf Platz eins. Das trainierte Probe-Modell, das ähnliche gelöste Fälle gesehen hat, nennt MELAS auf Platz eins. Das Wissensmodell findet mehrere passende Kandidaten, ohne klaren Sieger. Genau dieses Muster steckt hinter den aggregierten Zahlen von eben. Die Ausgaben hier sind nachgestellt, zur Veranschaulichung.

09 · Warum der Kleine gewinnt

Warum schlägt ein winziges Modell das riesige Sprachmodell? Der Trick ist einfacher, als man denkt, und er hat einen Namen: Wir bauen auf einem Foundation-Modell auf. Aber was ist das genau?

10 · Das Prinzip: fließender Mitarbeiter, kurze Einweisung

Ein Foundation-Modell ist ein Modell, das vorher einmal auf gewaltigen Datenmengen trainiert wurde und dadurch schon enorm viel Allgemeinwissen mitbringt. Stellen Sie sich einen neuen Mitarbeiter vor, der die Sprache schon fließend spricht und die Welt kennt — er muss nicht bei null anfangen.

Dieses riesige Vorwissen frieren wir ein. Eingefroren heißt: Wir verändern das große Modell nicht mehr, wir nutzen nur, was es ohnehin schon kann. Das spart Rechenzeit und, viel wichtiger, es spart Beispiele.

Obendrauf setzen wir nur einen hauchdünnen Entscheider, in der Fachsprache eine lineare Probe. Das ist nichts weiter als eine gewichtete Summe — das Modell lernt bloß, welche der vorhandenen Merkmale auf unsere Zielkrankheit hindeuten. Wie eine kurze Einweisung für genau einen Job, nicht ein ganzes Studium.

Und genau deshalb genügen schon zwei, drei Beispiele pro Krankheit, um das große Sprachmodell zu überholen. Das große Modell bringt das Verständnis mit, der dünne Aufsatz braucht nur noch den letzten Hinweis. Entscheidend ist einzig, ob überhaupt eine Handvoll Beispiele existiert.

11 · Zwei, drei Beispiele entscheiden

Dieses Bild zeigt es direkt. Nach rechts die Zahl der Beispiele pro Krankheit, nach oben die Trefferquote. Links, wo es fast keine Beispiele gibt, ist der kleine Spezialist chancenlos. Aber genau an der Stelle, wo zwei, drei Beispiele zusammenkommen, kippt es, und er zieht an der Vergleichslinie des großen Sprachmodells vorbei. Die Lehre ist versöhnlich: Wenig Daten sind kein Hindernis — solange es überhaupt ein paar sind. Das deckt sich übrigens mit einem früheren Befund von uns zu bildgebenden Modellen: Kleine, schlanke Modelle gewinnen genau dann, wenn Daten knapp sind.

12 · Aber Achtung — es kippt mit den Daten

Jetzt die Einordnung, die fast immer fehlt. Dieser klare Sieg gilt nur für einen Datensatz, in dem sich Diagnosen oft wiederholen — wie ein Lehrbuch, in dem dieselbe Krankheit auf vielen Seiten steht. Nimmt man Datensätze dazu, die eher wie eine Briefmarkensammlung sind, jede Krankheit ein Einzelstück, dann rücken alle drei Balken zusammen und ihre Fehlerbalken überlappen sich. Im Klartext: Der Unterschied ist dann statistisch gar nicht mehr sicher. Entscheidend ist also nicht die Methode allein, sondern wie oft eine Krankheit überhaupt wiederkehrt.

13 · Die offene Hälfte — und warum wir trotzdem weitermachen

Bleiben wir ehrlich: Für die wirklich einmaligen Fälle, die es nur ein- oder zweimal auf der Welt gibt, existieren keine Beispiele — und damit löst sie heute kein Ansatz zuverlässig. An dieser Stelle könnte man aufgeben. Das wäre die falsche Schlussfolgerung, denn wir müssen gar nicht jede seltene Krankheit erkennen. Manche sind viel lohnender als andere: nämlich die, für die es erstens eine wirksame Behandlung gibt und die zweitens häufig genug sind, dass ein paar Beispiele existieren. Für genau diese Teilmenge kippt das Problem von unlösbar zu machbar.

14 · Text, Bild oder beides? — Informationen zusammenführen

Verlassen wir den Einzelfall und schauen auf den allgemeinen Fall. Ein Patient hinterlässt selten nur einen Text — meist gehören auch Bilder dazu, ein M R T oder ein Mikroskop-Befund. Die Idee dahinter heißt Fusion: beide Informationsquellen zu EINER Entscheidung zusammenzuführen, statt sich auf eine zu beschränken. Testen wir es sauber auf vierhundertvierundsiebzig Fällen, die beides haben. Der geschriebene Fall allein trägt am meisten, rund einunddreißig Prozent Treffer — weil er den ganzen Verlauf erzählt.

Das Bild allein liegt darunter, bei rund einundzwanzig Prozent. Ein medizinisches Bild zeigt eben nur einen Moment, der Text die ganze Geschichte.

Und jetzt die Fusion — beide zusammengeführt. Das Modell legt die Hinweise aus Text UND Bild nebeneinander und entscheidet gemeinsam, wie zwei Ärzte, die ihre Notizen vergleichen: Sind sie einig, wird man sicherer; widersprechen sie sich, zählt, wem das Modell mehr vertraut. Das Ergebnis landet nur knapp über dem Text allein, bei vierunddreißig Prozent. Zusammenführen ist also der richtige Reflex — hier bringt es aber wenig, weil das Bild die Textliste nur in Einzelfällen umsortiert.

15 · Dürfen wir dem Text trauen? — der Leckage-Test

Eine Zahl ist nur so gut wie ihre Fairness. Die Gefahr bei Text heißt Leckage: Das Modell liest nicht die Symptome, sondern ein Wort, das die Antwort schon enthält. Der naive Test fragt: Steht der Diagnosename wörtlich im Falltext? Antwort: in nur null Komma vier Prozent. Klingt makellos sauber. Aber dieser Test ist zu gutgläubig — der Benchmark ersetzt den Diagnosenamen ohnehin durch einen Platzhalter, deshalb findet eine reine Wortsuche fast nie etwas.

Also haben wir genau das mit dem Experiment geprüft, das diesem Video zugrunde liegt: ein Sprachmodell liest jeden der vierhundertvierundsiebzig Fälle sinngemäß und urteilt, ob die Antwort auch ohne das exakte Wort durchscheint. Das Ergebnis ist unbequemer, als die Wortsuche vermuten ließ. In rund zwei Dritteln der Fälle stehen nur Symptome — da muss man wirklich schlussfolgern. Aber in etwa einem Drittel ist die Antwort stark telegrafiert: mal durch eine unmaskierte Abkürzung oder einen Eigennamen, mal durch einen Befund, der nur zu einer Krankheit passt. Im Klartext: Unsere frühere Annahme, der Text sei quasi sauber, war zu optimistisch — deshalb haben wir ja gemessen. Das Text-Ergebnis von eben ist echtes Signal, aber teils eine Obergrenze. Und genau darum bauen wir für den echten Fall gleich ein eigenes, sauberes Label und verlassen uns aufs Bild.

16 · Zwei Falltexte — und ob der Text petzt

Zwei erfundene Textschnipsel zeigen den Unterschied. Im ersten steht nur die Krankengeschichte — junge Frau, wiederkehrende Durchblutungsstörungen, beidseitige Gefäßverengungen; das Modell muss wirklich schließen, das ist faires Signal. Im zweiten taucht beiläufig die Formulierung ‚following the T S algorithm' auf — eine unmaskierte Abkürzung, die die Antwort, Tako-Tsubo, schon verrät. Genau solche Fälle machen jene rund fünfunddreißig Prozent aus. (Nachgestellt zur Veranschaulichung.)

17 · Die Idee: ein stiller Zweitleser im Hintergrund

Wie sieht der praktische Nutzen aus? So: ein stilles Modell, das im Hintergrund mitläuft, während ohnehin Befunde und Bilder entstehen. Es achtet nur auf eine kurze, kuratierte Liste behandelbarer, ausreichend häufiger Krankheiten. Und schlägt es an, flüstert es nicht bloß dem behandelnden Arzt zu. Es schickt den Fall — unabhängig von der Akutbehandlung, die ohnehin läuft — an einen angebundenen Experten für genau diese eine seltene Krankheit, der ihn gezielt zweitbegutachtet. Der akute Betrieb wird nicht gestört; parallel bekommt der Fall ein spezialisiertes zweites Paar Augen. Wichtig: Das ist ein Gedankenmodell, kein fertiges Medizinprodukt. Ob so ein Filter trägt, hängt an einer Zahl, die wir gleich ehrlich prüfen.

18 · Machen wir's konkret: Moyamoya

Nehmen wir eine echte Krankheit, die perfekt in dieses Raster passt: Moyamoya. Dabei verengen sich die großen Hirnarterien langsam, und der Körper baut sich als Notlösung ein feines Netz winziger Umgehungsgefäße. Unbehandelt drohen Schlaganfall oder Hirnblutung — auch bei Kindern und jungen Erwachsenen. Aber es gibt eine Operation, einen sogenannten Bypass, der das Risiko nachweislich senkt. Behandelbar und bildgebend erkennbar: Ein früher Hinweis kann hier Leben verändern.

19 · Das Gefäßmuster, schematisch

Damit Sie sehen, worum es geht, hier das Muster als Schema. Rechts ein gesundes Hirngefäß, das sich sauber verästelt. Links die kranke Seite: Die große Arterie ist verengt, fast dicht — und an ihrer Stelle wuchert ein feines Geflecht winziger Umgehungsgefäße. Dieses wolkige Netz erinnert an eine Rauchwolke, und genau das bedeutet Moyamoya auf Japanisch. Das Bild ist bewusst stilisiert und erzeugt, keine echten Patientendaten. In der Realität sehen die Fälle deutlich vielfältiger und unordentlicher aus: mal Magnetresonanz, mal klassische Angiografie, mal Computertomografie. Das Modell muss mit all dem zurechtkommen.

20 · Die Datenbasis für Moyamoya — ehrlich offengelegt

Und jetzt völlig offen, worauf das Modell trainiert — gerade weil das die halbe Miete ist. Die Daten stammen aus MultiCaRe, einem publizierten Datensatz aus offenen Fallberichten. Wichtig und offen gesagt: Dieser Datensatz liefert Bilder, Texte und Modalitäts-Angaben, aber kein fertiges Diagnose-Label. Welche Fälle Moyamoya sind, mussten wir also selbst bestimmen — wie, zeige ich gleich. Am Ende sind es einundneunzig bestätigte Moyamoya-Fälle gegen sechshundertsechsundvierzig Vergleichsfälle. Und entscheidend: Wir trennen nicht gegen gesunde Gehirne, sondern gegen Gefäß-Mimics wie Dissektion oder Vaskulitis, die auf dem Bild täuschend ähnlich aussehen. Das ist die schwere, faire Aufgabe.

21 · Wie wir das Label überhaupt bekommen

Also, wie bestimmt man das Label, wenn der Datensatz keines mitliefert? Der naive Weg wäre, einfach jeden Text zu nehmen, der das Wort Moyamoya enthält. Genau das haben wir zuerst getan, als groben Vorfilter — aber dieses Keyword-Verfahren ist verrauscht: Ein Fünftel dieser Treffer erwähnte Moyamoya bloß im Differenzial oder in einem Review, war also gar kein echter Fall.

Deshalb der saubere Schritt: Wir lassen ein Sprachmodell jeden Fallbericht wirklich lesen und entscheiden, ob dieser Patient tatsächlich mit Moyamoya diagnostiziert wurde. Das Label kommt aus dem ganzen Report inklusive Diagnose; die Merkmale, mit denen wir später vorhersagen, nur aus der Präsentation — also keine Zirkularität.

Danach filtern wir die Bilder sauber nach Region, Ansicht und Farbe, und teilen schließlich nach Artikel, damit keine zwei Bilder desselben Falls in Training und Test rutschen. Erst auf dieser aufbereiteten Basis messen wir.

22 · Schaut das Modell wirklich auf die Gefäße?

Bevor wir irgendeiner Zahl trauen, eine ernste Frage. Erkennt das Modell wirklich die Krankheit, oder schummelt es, indem es am Bildrand oder am Layout einer bestimmten Klinik erkennt, woher ein Bild stammt? Das wäre, als würde ein Schüler die richtige Antwort nicht wissen, aber am Wasserzeichen des Arbeitsblattes erkennen, aus welchem Lösungsbuch es kommt.

Dagegen setzen wir einen Test. Wir greifen gezielt ins Bild ein. Einmal zeigen wir nur die Gefäßregion — das räumliche Muster bleibt also erhalten. Einmal zerschneiden wir das Bild in vier Kacheln und betrachten jede für sich — das zerreißt den durchgehenden Gefäßverlauf.

Die Hypothese ist klar: Wenn das Modell wirklich das zusammenhängende Gefäßmuster liest, muss seine Leistung einbrechen, sobald wir diesen Zusammenhang zerschneiden. Bleibt sie dagegen gleich, hat es wohl etwas anderes gelernt, etwas Verräterisches.

23 · Woher das Bildsignal kommt

Und genau das passiert. Kurz, was A U R O C bedeutet: Es misst die Trennschärfe — wie gut das Modell Kranke von Nicht-Kranken trennt. Null Komma fünf ist reines Raten, eins Komma null wäre perfekt. Das volle Bild und die reine Gefäßregion liegen oben, bei rund null Komma acht fünf bis acht sechs. Die zerschnittenen Kacheln fallen deutlich ab, weil ihnen der Gefäßverlauf fehlt. Dieses Muster ist der Beweis: Das Modell schaut auf die richtige Sache, die echte Gefäß-Morphologie, nicht auf einen Trick am Bildrand.

24 · Die härteste Gegenprobe: raus mit den Confounds

Jetzt die schärfste Prüfung der ganzen Fallstudie, und sie entstand aus echten Verdachtsmomenten beim Blick in die Bilder. Drei Fallen lauern: Manche Vergleichsbilder sind gar keine Hirnbilder, sondern Thorax oder Hals. Auf manchen Positiven zeigt ein nachträglich eingezeichneter Pfeil auf den Befund. Und Positive sind häufiger Gefäß-Aufnahmen, Negative eher normale Schnittbilder. Jede dieser Fallen könnte das Modell als Abkürzung missbrauchen. Setzen wir eine Grenze: Ein Modell nur auf Metadaten, also Modalität und Anzahl der Abbildungen, kommt auf null Komma fünf neun. So weit trägt der reine Verteilungs-Trick.

Das Bildmodell auf dem sauberen LLM-Label liegt bei null Komma acht sechs — klar über der Metadaten-Grenze.

Jetzt die scharfe Gegenprobe: Wir behalten nur Kopf-Scans, löschen jede Abbildung mit farbigen Pfeilen, gleichen die Ansicht an und werfen sogar alle Gefäßbilder raus — übrig bleibt reines Hirngewebe. Und das Entscheidende: Die Zahl fällt kaum, sie hält bei null Komma acht vier. Die Confounds waren also nicht der Treiber, das Signal steckt wirklich im Gewebe. Die eigentliche Grenze bleibt die kleine Fallzahl, nur sechzehn Positive in dieser strengsten Teilmenge, also ein breites Vertrauensintervall.

25 · Zwei getrennte Klassifikatoren — der ehrliche Vergleich

Fasst man es als zwei getrennte Klassifikatoren, nicht vermischt: Auf dem reinen Hirngewebe trennt das Modell Moyamoya von den anderen Fällen mit null Komma acht vier.

Und auf den reinen Gefäßbildern, wo es die eigentlich spannende Aufgabe hat — das Moyamoya-Muster von anderen Gefäßkrankheiten wie Dissektion oder Atherosklerose zu unterscheiden — schafft es null Komma sieben eins. Gerade diese klinisch schwerste Unterscheidung ist nur moderat. Beide Zahlen sind echt, beide bescheiden, und das Vertrauensintervall ist breit, weil es nur rund drei Dutzend bestätigte Fälle gibt.

26 · Kein Glückstreffer: robust über zwölf Bild-Encoder

Damit es nicht am Zufall eines einzelnen Modells liegt, haben wir zwölf verschiedene Bild-Encoder geprüft. Ein Encoder ist der Baustein, der ein Bild in Zahlen übersetzt, mit denen ein Modell rechnen kann. Der beste, ein kleines DINOv2, liegt bei null Komma acht fünf.

Ein neueres DINOv3 folgt bei null Komma acht zwei.

Die mittelgroßen Varianten liegen um null Komma acht.

Auch die großen bleiben in diesem Bereich — größer ist hier nicht besser.

Und selbst das schwächste, ein medizinisch vortrainiertes Modell, liegt noch bei null Komma sieben zwei. Wichtig zur Einordnung: Das sind die rohen, noch nicht entkonfundierten Zahlen — sie zeigen nur, dass der Effekt kein Glückstreffer eines einzelnen Modells ist. Die belastbare Zahl ist die confound-kontrollierte von der Gegenprobe: Wenn wir Nicht-Hirnbilder, eingezeichnete Pfeile und Ansichts-Unterschiede herausrechnen, bleibt die Trennschärfe bei null Komma acht vier. Erst im allerstrengsten Schnitt — nur reines Hirngewebe, jedes Gefäßbild entfernt, nur noch wenige Fälle — sinkt sie auf null Komma sieben sieben. Beide Male also echtes Signal, keine Artefakte.

27 · Das Bild schlägt die reine Demografie

Und jetzt die faire Einordnung gegen die Demografie. Alter und Geschlecht allein, robust über alle Fälle gemessen, trennen Moyamoya mit null Komma sechs acht.

Das Bild dagegen — und zwar fair gerechnet, also confound-kontrolliert — trennt mit null Komma acht vier, klar besser als die reine Demografie. Das Bild lernt also nicht bloß, wer typischerweise betroffen ist, sondern trägt echtes Zusatz-Signal aus dem Hirngewebe. Moyamoya trifft zwar gehäuft junge Frauen, aber darauf reduziert sich das Bildsignal nicht.

28 · Der Patient, den die Heuristik übersieht

Und damit zur spannendsten Frage überhaupt: Was ist mit dem Patienten, der nicht ins Schema passt? Dem älteren, bei dem niemand zuerst an Moyamoya denkt? Genau dort entscheidet sich, ob ein Bildmodell echten Mehrwert hat oder nur die Demografie nachplappert.

29 · Aber: das Bild glänzt genau dort, wo die Demografie versagt

Und jetzt die Wendung, die den eigentlichen Wert zeigt. Trennen wir nach Alter. Bei den jungen Patienten, die eine Alters-Heuristik ohnehin flaggt, ist das Bild nur mäßig, null Komma sieben sechs — hier bringt es wenig Zusatznutzen gegenüber der Regel.

Aber bei den älteren, atypischen Patienten — alters-gematcht, sodass die Demografie nichts mehr verrät — springt das Bild auf null Komma acht neun. Genau dort, wo die simple Regel blind ist, trägt das Bild am meisten, vermutlich weil ältere Fälle mehr etablierte Gewebeschäden zeigen. Das Bild lernt also nicht bloß jung gleich Moyamoya nach, es ergänzt die Demografie dort, wo sie versagt. Zur Einordnung: nur rund zehn Positive je Gruppe, also breites Vertrauensintervall, aber die Richtung ist klar und klinisch sinnvoll.

30 · Der atypische Fall — was jeder Ansatz sagt

Und zum Kern der Fallstudie, ganz konkret. Ein erfundener, aber typisch schwieriger Fall: achtundvierzig Jahre, also eigentlich zu alt für den klassischen Verdacht, ein Routine-MRT nach einer vorübergehenden Durchblutungsstörung. Die einfache Demografie-Regel sagt: nicht jung, kein Verdacht — und übersieht ihn. Die Bild-KI auf dem Gewebe schlägt an und legt ihn dem Facharzt vor. Bestätigt die Gefäßdarstellung das Muster, ist der Fall früh erkannt. Genau dort, beim atypischen Patienten, liegt der Mehrwert. (Nachgestellt.)

31 · Und der Text? Verdächtig gut — hier schlägt die Leckage zu

Erinnern Sie sich, dass MMRareBench-Text sauber war? Bei Moyamoya ist es das genaue Gegenteil — deshalb prüft man es eben pro Datensatz. Der rohe Falltext trennt Moyamoya mit einer Trennschärfe von null Komma neun fünf, fast perfekt, besser als das Bild. Das ist verdächtig gut, also schälen wir Schicht für Schicht das Verräterische heraus.

Erste Schicht: Wir schwärzen die offensichtlichen Diagnostik-Begriffe, etwa den Namen der Operation. Die Zahl fällt auf null Komma neun.

Und der Clou: Bleibt nur die echte Vorgeschichte übrig, das, was man vor der Diagnose wüsste, fällt die Zahl auf null Komma vier sieben — ein Münzwurf. Die stärksten Wörter waren japanisch und Begriffe der bereits abgeschlossenen Untersuchung. Das Modell hat erraten, wer der Patient ist, und die fertige Diagnostik mitgelesen. Hier war fast alles Leckage.

32 · Vorsicht vor der schönen Zahl

Bevor wir über Nutzen reden, eine Warnung, die den meisten Erfolgsmeldungen fehlt. Schauen wir, was dieses Bild zeigt: Für jede einzelne seltene Krankheit haben wir einen eigenen kleinen Detektor gebaut — jeder Balken hier ist genau so einer. Seine Aufgabe: diese eine Krankheit von den anderen seltenen im Datensatz unterscheiden. Und fast jeder Balken steht nahezu ganz oben, die allermeisten über null Komma neun fünf — eine ganze Wand aus Bestnoten. Klingt gelöst. Ist es aber nicht — und der nächste Schritt zeigt, warum.

33 · Aber die Aufgabe war zu leicht

Gegen wen hat der Detektor gewonnen? Stellen Sie sich einen Türsteher vor, der dreißig Stammgäste blind auseinanderhält, fehlerfrei. Beeindruckend — nur ist das ein leerer Raum mit genau diesen dreißig. Genau das war die Aufgabe hier: eine seltene Krankheit von anderen seltenen trennen, die völlig anders aussehen.

Die echte Aufgabe ist eine andere: diesen einen Stammgast in einem vollen Stadion aus zehntausend Fremden erkennen. Also die seltene Krankheit zwischen tausenden ganz gewöhnlichen Patienten herausfischen. Gegen diese realistische Mischung fällt die Trennschärfe von fast perfekt auf null Komma sieben bis acht.

34 · Was ein Alarm wirklich kostet — die Grundrate

Und selbst diese null Komma sieben bis acht sind im Alltag trügerisch — wegen der Grundrate, also schlicht, wie selten die Krankheit überhaupt vorkommt. Was diese Kurve zeigt: Je seltener die Krankheit nach links, desto winziger der Anteil echter Treffer unter allen Alarmen. Rechnen wir es für Moyamoya in Europa konkret durch, am gewählten Arbeitspunkt. Damit das Modell neun von zehn echten Fällen erwischt, muss ein Facharzt rund hundertzwanzig geflaggte Scans durchsehen, um einen einzigen echten Moyamoya-Fall zu finden. Hundertzwanzig zu eins. Die bloße Seltenheit schlägt die gute Trennschärfe — das ist reine Wahrscheinlichkeitsrechnung und gilt für jede seltene Krankheit. An dieser Stelle würden die meisten das Projekt begraben. Zu Unrecht, wie die nächsten drei Schritte zeigen.

35 · Das Modell ersetzt niemanden — es reicht weiter

Bevor wir uns an der Grundrate verzweifeln, der entscheidende Perspektivwechsel: Dieses Modell muss gar keine Diagnose stellen. Es muss nur den richtigen Fall an den richtigen Menschen weiterreichen.

36 · Es muss keine Diagnose stellen — nur flaggen

Und genau hier entschärft sich die Grundrate. Der Trick ist nicht, weniger Fehlalarme zu haben — sondern sie billig zu machen. Weil das Modell keine Diagnose stellt, sondern einen ohnehin gemachten Scan nur als verdächtig markiert, kostet ein Fehlalarm bloß einen zusätzlichen Facharzt-Blick. Kein falsches Urteil, kein Schaden. Damit sind selbst hundertzwanzig Prüfungen pro echtem Fall tragbar statt fatal — es ist Facharzt-Zeit, kein Risiko.

Bei Alarm entscheidet, wie heute auch, ein Facharzt; die normale Behandlung des Patienten läuft völlig unbeeinflusst parallel weiter. Das Modell ersetzt niemanden und diagnostiziert nichts — es ist nur ein zweites Paar Augen, das sonst gefehlt hätte.

Und daraus folgt ein zweiter, davon unabhängiger Vorteil. Weil das Modell nur markiert, muss es gar nicht verstehen, warum jemand Moyamoya hat — eine bloße Korrelation genügt, keine Kausalität. Das ist kein Freibrief, aber es senkt die klinische und regulatorische Hürde deutlich gegenüber einem System, das selbst diagnostiziert. Die Datenknappheit von vorhin löst das übrigens nicht — die haben wir getrennt gelöst, indem wir uns auf behandelbare, wiederkehrende Krankheiten beschränken.

37 · Derselbe Algorithmus, völlig anderer Wert

Und jetzt der Hebel, der aus einer unbrauchbaren eine wertvolle Lösung macht: die Geografie. Moyamoya ist in Japan rund dreißigmal häufiger als in Europa. Am exakt gleichen Arbeitspunkt, mit demselben Modell, fällt damit die Last von rund hundertzwanzig Nachprüfungen pro echtem Fall auf nur noch etwa dreizehn. Dreizehn geflaggte Scans durchsehen, um einen echten Moyamoya-Fall früh zu finden — das ist auf einmal völlig im Rahmen dessen, was ein spezialisiertes Zentrum leisten kann.

38 · Der Business-Case, aufgeschlüsselt

Schlüsseln wir den ganzen Business-Case auf. Erstens die Menge: Ein Versorgungsnetz für sieben Komma sechs Millionen Menschen sieht bei japanischer Häufigkeit rund hundertfünfzig neue Moyamoya-Fälle im Jahr — in Europa wären es nur etwa fünf. Zweitens die Last: In Japan muss ein Facharzt pro echtem Fund nur rund dreizehn geflaggte Scans sichten, in Europa hundertzwanzig. Drittens die Ausbeute: Beim gewählten Arbeitspunkt erwischt das Modell neun von zehn Fällen. Und viertens, das Entscheidende: Moyamoya ist behandelbar. In einer Studie zu blutungsbedingtem Moyamoya sank die jährliche Rückblutungsrate mit einem direkten Bypass deutlich. Setzen wir das zusammen: hundertfünfzig früh geflaggte Fälle im Jahr, mit vertretbarem Prüfaufwand, die eine Operation auslösen, die Schlaganfälle verhindert. Das ist kein schöner Benchmark mehr — das ist ein Grund, so etwas tatsächlich in einem japanischen Zentrum zu bauen.

39 · Wo greift die KI im Klinik-Alltag ein?

Machen wir es ganz konkret: Wie fügt sich so ein Modell in den echten Klinik-Alltag ein? Der Schlüssel ist, dass die entscheidenden Daten ohnehin anfallen. Schauen wir den Weg eines Patienten entlang.

40 · Der Moyamoya-Weg — und wo KI überall eingreifen könnte

Schauen wir uns den typischen Weg eines Moyamoya-Patienten an. Am Anfang stehen Symptome, oft eine vorübergehende Durchblutungsstörung oder ein Schlaganfall. Deshalb wird ein Routine-Scan gemacht, ein CT oder MRT, der ohnehin entsteht. Ein Radiologe befundet ihn — und hier gehen subtile Fälle verloren. Erst bei Verdacht folgt die dedizierte Gefäßbildgebung, dann die Diagnose durch den Facharzt und schließlich der Bypass, der das Schlaganfallrisiko senkt.

Und jetzt sieht man, dass KI an mehreren ganz verschiedenen Stellen eingreifen könnte, je nach Datengrundlage. Eine Text-KI auf der Anamnese flaggt schon nach der Schilderung. Eine Bild-KI auf dem Routine-Scan fängt genau die Fälle, die der Radiologe übersieht. Und eine Gefäß-KI auf der Angiografie trennt das Moyamoya-Muster von anderen Gefäßkrankheiten. Wie stark jede Stelle ist, sehen wir gleich im Detail.

41 · Status quo vs. gelerntes Modell — fair gemessen

Bevor wir über KI-Mehrwert reden, die unbequemste aller Fragen: Schlägt ein gelerntes Modell überhaupt die einfache Regel, die Kliniker heute schon anwenden? Dafür haben wir die klinische Verdachtsregel selbst als Klassifikator implementiert und auf denselben Testdaten gemessen.

42 · Schlägt das Modell die klinische Regel?

Die heutige Regel, grob: junger Patient mit einem zerebrovaskulären Ereignis, dann an Moyamoya denken. Als Klassifikator fängt sie null Komma sechs zwei der Fälle, bei einer Spezifität von null Komma acht vier. Also: Fast vier von zehn Moyamoya werden von dieser simplen Regel übersehen.

Unser gelerntes Modell auf denselben Features fängt bei exakt gleicher Spezifität null Komma sechs fünf — also etwas mehr. Der eigentliche Vorteil ist aber: Das Modell hat einen frei wählbaren Arbeitspunkt, die Regel ist ein fixer Punkt. Man kann also bewusst mehr Sensitivität gegen mehr Fehlalarme eintauschen, je nach Bedarf.

43 · Je weiter im Weg, desto mehr Daten — und desto stärker

Gehen wir die Ansatzpunkte der Reihe nach durch — alle als Trennschärfe, als A U R O C. Ganz am Eingang, wenn der Fall reinkommt, hat man nur die Demografie, Alter und Geschlecht. Die trennt für sich schon mit null Komma sechs acht. Wichtig zur Abgrenzung: Das ist nicht die klinische Verdachtsregel von eben — die, jung plus Ereignis, haben wir separat als Klassifikator gemessen und als Sensitivität angegeben. Hier geht es um die rohe demografische Grundneigung als Trennschärfe.

Kommt die Anamnese dazu, also die saubere klinische Präsentation, steigt es auf null Komma acht eins — und das ganz ohne verräterische Rohtext-Wörter, nur mit kuratierten Features.

Bei einem Schlaganfall-Verdacht ist das allererste Bild ein Nativ-CT. Auch darauf könnte man eine KI trainieren, die schon hier Moyamoya-Hinweise flaggt. Für Moyamoya haben wir das noch nicht quantifiziert, aber es ist ein naheliegender, sehr früher Ansatzpunkt. Übrigens: Foundation-Modelle auf genau solchen Nativ-CTs, allerdings für Hirnblutungen, haben wir in einem eigenen Beitrag untersucht — den finden Sie verlinkt unter dem Video.

Auf dem regulären Schnittbild liegt die Bild-KI, confound-kontrolliert, bei null Komma acht vier — und, der entscheidende Punkt, bei null Komma acht neun für die atypischen, älteren Patienten, die die Demografie-Regel verpasst.

Und bei der Angiografie, mit den Gefäß-Features wie der bilateralen Stenose, steigt es auf null Komma acht sechs. Das ist aber schon bestätigend, denn die Angiografie macht man erst, wenn der Verdacht ohnehin da ist.

Und darüber hinaus gäbe es weitere Quellen, Genetik oder Labor, die wir hier gar nicht ausgereizt haben. Die Kernaussage: Je später im Weg, desto mehr Daten und desto stärker — aber je früher man flaggt, desto breiter und billiger greift man ein.

44 · Der Detektions-Funnel — wie viele Fälle zusätzlich

Setzen wir alles zu einem Fluss zusammen, mit gemessenen Zahlen. Von rund hundertfünfzig Moyamoya-Fällen im Jahr fängt die heutige klinische Regel etwa dreiundneunzig — ihre Sensitivität ist null Komma sechs zwei. Rund siebenundfünfzig werden übersehen, vor allem die atypischen, älteren. Genau deren Routine-Scans existieren aber schon, und darauf ist die Bild-KI am stärksten, null Komma neun bei den Atypischen. Bei einem hochsensitiven Arbeitspunkt fängt sie davon den Großteil, grob achtunddreißig zusätzliche Fälle, und legt sie dem Facharzt vor. Die Angiografie macht man dabei nur bei den geflaggten Hoch-Verdachts-Fällen. Unterm Strich steigt die Erkennung von etwa zweiundsechzig auf rund siebenundachtzig Prozent — ohne einen einzigen zusätzlichen Scan. Das Ganze unter der Annahme einer realistischen Fallverteilung, und es ist eine explorative Rechnung, kein Zulassungsnachweis.

45 · Was die zusätzlichen Fälle wert sind

Und was ist so ein zusätzlich früh erkannter Fall eigentlich wert? Rechnen wir es grob überschlägig durch — mit belastbaren Eckdaten, aber vielen Annahmen, die man konkret erheben müsste. Der Bypass senkt laut der japanischen Moyamoya-Studie die Ereignisrate über fünf Jahre deutlich, von rund vierunddreißig auf vierzehn Prozent. Setzt man das gegen die reinen Akutkosten eines Schlaganfalls — grob dreiundvierzigtausend Euro über die Lebenszeit — und zieht die Operationskosten ab, bleibt auf enger Fünf-Jahres-Sicht sogar ein kleiner Zuschuss, etwa minus elftausend Euro. Aber genau das ist die falsche Brille für Moyamoya. Denn Moyamoya trifft meist junge Menschen, und ein verhinderter behindernder Schlaganfall spart nicht fünf Jahre, sondern Jahrzehnte an Pflege, verlorener Arbeitskraft und Lebensqualität. Rechnet man das ein, liegt der Nettonutzen klar im Plus, in der Größenordnung von mehreren zehntausend Euro pro Fall. Ganz deutlich: Das ist eine Überschlagsrechnung, kein gesundheitsökonomisches Gutachten — die echten Zahlen hängen an Operationskosten, Risiko, Alter und Region und müssten konkret validiert werden. Aber die Richtung ist eindeutig: Der Wert steckt in der langfristig vermiedenen Behinderung junger Patienten.

46 · Wie man das ausrollt — vom Service zum Medizinprodukt

Wie würde man das konkret aufbauen, ohne am ersten Tag ein zugelassenes Medizinprodukt zu brauchen? In drei Phasen. Phase eins ist ein reiner Dienstleistungs-Service: Man nimmt die Fälle, die ein simpler, leitlinien-getriebener Vorfilter ohnehin heraussiebt, und lässt einen Experten über genau diese Vorauswahl schauen. Er sagt bei jedem: Moyamoya, ja oder nein. Das kostet nur Facharzt-Zeit und schafft etwas Wertvolles.

Nämlich eine saubere, von Experten gelabelte Datenbasis — kein verrauschtes Schlüsselwort mehr, sondern echte Urteile. Darauf trainieren wir in Phase zwei den Klassifikator. Jetzt steht er auf festem Grund.

Und in Phase drei dreht sich der Spieß: Der bildgetriebene Klassifikator findet zusätzliche Moyamoya-Fälle, die der simple Vorfilter übersehen hätte, und legt sie dem Arzt vor. So wird aus dem Dienst nach und nach ein Medizinprodukt, das Moyamoya deutlich besser heraussiebt als die ursprüngliche, starre Regel. Der Service finanziert die Daten, die Daten machen das Produkt, das Produkt schlägt die Regel.

47 · Was fehlt: eine realistische Testkohorte

Bleibt eine ehrliche Lücke, die größer ist als dieser eine Fall. Wenn wir behaupten, ein Modell findet Moyamoya unter ganz normalen Patienten, dann müsste man das an genau der Mischung testen, die im Klinikum tatsächlich ankommt: die seltenen Fälle gegen tausende gewöhnliche — vor allem die häufigen Look-alikes wie den akuten Schlaganfall, mit dem Moyamoya oft verwechselt wird. Solche gewöhnlichen Vergleichsfälle in dieser Menge haben wir aber nicht. Die naheliegende Abkürzung — die häufigen Fälle einfach von einem Sprachmodell schreiben zu lassen — trägt nicht: Ein Generator schreibt Lehrbuch-Idealfälle, die sich künstlich sauber trennen lassen, während echte Patienten überlappen. Genau diese Überlappung macht die klinische Aufgabe erst schwer und wertvoll, und sie lässt sich nicht faken. Der Beweis, dass ein Modell Moyamoya wirklich im Alltag findet, braucht deshalb eine realistische, prospektiv erhobene Kohorte, die den tatsächlichen Klinik-Alltag widerspiegelt — synthetische Daten taugen zum Prüfen der eigenen Pipeline, nicht als Nachweis.

48 · Vom Signal zum sicheren Medizinprodukt

Jetzt der Weg von diesem Signal zu etwas, dem man wirklich Patienten anvertrauen darf. Alles bisher beruhte auf öffentlichen, unordentlichen Daten — für ein echtes Medizinprodukt braucht es mehr.

49 · Und bis zum echten Medizinprodukt?

Ein letzter, ehrlicher Punkt, der über dieser ganzen Fallstudie steht. Die öffentlichen Daten, mit denen wir hier gearbeitet haben, sind relativ unsauber — und wie wir gesehen haben, stecken noch etliche versteckte Confounds darin, die wir nie vollständig herausfiltern konnten.

Für ein echtes Medizinprodukt reicht das nicht. Man müsste zuerst eine saubere, prospektiv erhobene Datenbasis schaffen — und das Modell dann im klinischen Alltag in einer Studie testen. Erst so kann man sich einigermaßen sicher sein, mit der KI keinen Schaden anzurichten.

Und genau dafür gibt es die Zulassungswege, die europäische M D R und die amerikanische F D A: Sie verlangen den Nachweis von Nutzen und Sicherheit, bevor so ein System auf echte Patienten losgelassen wird. Unsere Zahlen hier sind Hypothesen und ein Machbarkeits-Signal — der Anfang dieses Wegs, nicht sein Ende.

50 · Was so ein System bringen könnte — in Zahlen

Fassen wir den Nutzen so zusammen, wie ihn ein Entscheider sieht — am einen Beispiel, das wir durchgerechnet haben. Ein stiller Bild-Filter könnte die Erkennung von Moyamoya von rund zwei Dritteln auf fast neun Zehntel heben, ohne einen einzigen zusätzlichen Scan — im japanischen Versorgungsnetz grob achtunddreißig zusätzlich früh erkannte Fälle pro Jahr. Der Aufwand bleibt überschaubar: pro Alarm ein zusätzlicher Facharzt-Blick, rund dreizehn Prüfungen je echtem Fund. Und jeder früh erkannte Fall ist über die Lebenszeit grob vierzigtausend Euro wert, vor allem durch vermiedene Behinderung bei jungen Menschen. Alles eine explorative Hochrechnung, kein Zulassungsnachweis — aber die Größenordnung zeigt, warum sich der Aufwand lohnen könnte.

51 · Was das alles bedeutet

Treten wir einen Schritt zurück. Am Anfang stand ein Mensch, der jahrelang nicht weiß, was er hat — für Millionen mit einer seltenen Krankheit ist das Alltag. Die große Hoffnung heißt künstliche Intelligenz. Was wir gesehen haben, ist nüchterner und zugleich ermutigender als der Hype. Es gibt nicht die eine richtige K I. Welche hilft, hängt an der Datenlage. Wo eine behandelbare Krankheit oft genug wiederkehrt, dass ein paar Beispiele existieren, schlägt ein kleines, billiges Modell sogar das große Sprachmodell. Wo es nur den weltweiten Einzelfall gibt, braucht es Wissen und Sprache — und vieles bleibt offen. Entscheidend war die Disziplin: Jede schöne Zahl haben wir gegen Leckage, gegen die Grundrate und gegen die Datenherkunft geprüft — und manche ist dabei zerbrochen. Was übrig bleibt, ist kein Wundermittel, sondern etwas Konkretes: ein stiller Zweitleser, der auf den ohnehin erzeugten Bildern und Berichten mitläuft, die richtigen Fälle erkennt und sie an einen Experten weiterreicht — parallel zur normalen Behandlung, ohne jemanden zu ersetzen. Für den Patienten kann das heißen: Jahre früher eine Antwort, und eine Operation, die einen Schlaganfall verhindert. Genau dafür lohnt sich die Mühe — und die Ehrlichkeit, die dazugehört.

52 · Mehr dazu im Artikel

Die ganze Methodik, alle Zahlen und die geprüften Quellen finden Sie im Artikel direkt unter diesem Video. Danke fürs Zuschauen, und bis zum nächsten Mal.