Wie lässt sich medizinische KI-Superintelligenz testen? Warum Spitzenwerte in Benchmarks nicht genügen

Titelbild: Medizinische Überlegenheit kann nicht mit einer einzelnen Prüfungsnote gemessen werden. Ein sinnvoller Test muss Diagnose, Behandlung, Sicherheit, Bildgebung, Werkzeugnutzung und Kommunikation berücksichtigen.

Künstliche Intelligenz erzielt inzwischen auf ausgewählten medizinischen Aufgaben Ergebnisse, die über den Leistungen menschlicher Vergleichsgruppen liegen. Sprachmodelle lösen schwierige diagnostische Fallvignetten, erstellen Differenzialdiagnosen, schlagen Behandlungen vor und verarbeiten medizinische Bilder. Unternehmen und Forschungsteams verwenden daher zunehmend Begriffe wie „übermenschliche medizinische Leistung“ oder sogar „medizinische Superintelligenz“.

Doch was genau soll das bedeuten? Ist ein System bereits medizinisch superintelligent, wenn es eine Prüfung besser besteht als Ärztinnen und Ärzte? Genügt es, in sechs sorgfältig formulierten Fallvignetten die richtige Diagnose zu nennen? Wie muss ein Vergleich gestaltet sein, wenn die KI unbegrenzt rechnen darf, der Mensch aber unter Zeitdruck arbeitet? Und was geschieht, wenn ein Modell zwar häufiger richtig liegt, zugleich aber gefährliche Informationen auslässt oder seine Unsicherheit nicht erkennt?

Mit diesen Fragen beschäftigt sich der am 27. Juli 2026 in Nature Medicine veröffentlichte Kommentar „Toward a test of medical AI superintelligence“. Das internationale Autorenteam um Ethan Goh, David Wu und Jonathan H. Chen fordert einen rigorosen, auf konkreten klinischen Aufgaben beruhenden Rahmen. Die zentrale Botschaft lautet: Gegenwärtige Benchmarks sind zu schmal, teilweise irreführend und nicht ausreichend, um eine so weitreichende Behauptung wie „medizinische Superintelligenz“ zu begründen.

Die Kernaussage: Der Beitrag präsentiert keine neue Super-KI und keine einzelne endgültige Prüfung. Er ist ein wissenschaftlicher Kommentar, der auf eine Messlücke aufmerksam macht. Medizinische KI sollte nicht anhand eines isolierten Prüfungswerts, sondern anhand eines dokumentierten Fähigkeits- und Risikoprofils beurteilt werden – mit realistischen Aufgaben, fairen menschlichen Vergleichsgruppen, Sicherheitsmessungen, multimodalen Daten, Werkzeugnutzung und prospektiven klinischen Studien.

Warum der Begriff „Superintelligenz“ problematisch ist

In der allgemeinen KI-Debatte bezeichnet Superintelligenz gewöhnlich ein hypothetisches System, das menschliche Fähigkeiten in nahezu allen intellektuellen Bereichen weit übertrifft. In der Medizin wird der Begriff häufig enger verwendet. Gemeint ist dann ein System, das in bestimmten klinischen Aufgaben besser abschneidet als menschliche Fachleute.

Diese begriffliche Verschiebung schafft ein Kommunikationsproblem. Ein Modell kann bei einer genau definierten Aufgabe übermenschlich sein, ohne allgemeine ärztliche Kompetenz zu besitzen. Ein Algorithmus, der Mammografien hervorragend klassifiziert, kann keine Medikamenteninteraktionen beurteilen. Ein Sprachmodell, das eine seltene Diagnose aus einer vollständigen Fallbeschreibung erkennt, muss nicht in der Lage sein, während einer realen Konsultation die entscheidenden Fragen zu stellen.

Mindestens drei Ebenen müssen deshalb getrennt werden:

Begriff	Sinnvolle Bedeutung	Was daraus nicht folgt
Übermenschliche Einzelleistung	Die KI übertrifft einen festgelegten menschlichen Vergleich bei einer klar definierten Aufgabe.	Keine allgemeine medizinische Kompetenz und keine automatische Einsatzreife.
Medizinische Superintelligenz	Anhaltende Überlegenheit gegenüber geeigneten Expertinnen und Experten über ein breites Spektrum klinisch relevanter Aufgaben, Bedingungen und Patientengruppen.	Noch kein Nachweis, dass ein autonomer Einsatz sicher oder rechtlich zulässig wäre.
Klinische Einsatzreife	Zusätzlich nachgewiesene Sicherheit, Robustheit, Integration, Verantwortlichkeit und Verbesserung realer Versorgungsziele.	Keine grenzenlose Autonomie; der zulässige Einsatz bleibt zweck- und risikospezifisch.

Abbildung 1. Ein guter Benchmarkwert ist die schmalste Stufe. Breite medizinische Überlegenheit und klinische Einsatzreife verlangen wesentlich mehr Evidenz.

Warum medizinische Prüfungsfragen nicht ausreichen

Frühe medizinische Sprachmodellstudien verwendeten häufig Fragen aus Zulassungsprüfungen. Solche Aufgaben sind nützlich, weil sie standardisiert und leicht auszuwerten sind. Sie messen medizinisches Faktenwissen und einen Teil des fallbezogenen Denkens. Für die Beurteilung klinischer Intelligenz besitzen sie jedoch gravierende Grenzen.

Die Information ist bereits vollständig ausgewählt

In einer Prüfungsfrage stehen meist genau jene Angaben, die für die Lösung relevant sind. In der realen Versorgung muss der Arzt zunächst herausfinden, welche Fragen gestellt, welche Befunde erhoben und welche Daten ignoriert werden können. Diese Informationsbeschaffung ist ein wesentlicher Teil des klinischen Denkens.

Es gibt häufig nur eine richtige Antwort

Viele medizinische Entscheidungen besitzen keine einzelne eindeutig richtige Lösung. Therapieentscheidungen hängen von Begleiterkrankungen, Patientenpräferenzen, Ressourcen, lokalen Leitlinien und Unsicherheit ab. Ein Modell muss konkurrierende Ziele abwägen, nicht nur eine Option ankreuzen.

Fehlentscheidungen haben unterschiedliche Konsequenzen

Eine harmlose Zusatzuntersuchung und das Übersehen einer Sepsis dürfen nicht mit derselben Fehlerzahl bewertet werden. Medizinische Evaluation benötigt eine Schweregewichtung von Schaden, Auslassung und unnötiger Intervention.

Benchmarks können „gesättigt“ werden

Wenn Modelle nahezu perfekte Werte erreichen, unterscheidet der Test neue Systeme kaum noch. Zudem können öffentlich verfügbare Fragen in Trainingsdaten gelangt sein. Ein hoher Wert kann dann teilweise Erinnerung oder Benchmarkanpassung widerspiegeln.

Der klinische Arbeitsablauf fehlt

Ärztliche Arbeit umfasst Aktenrecherche, Verlaufskontrolle, Kommunikation, Dokumentation, Anordnung von Tests und die Reaktion auf neue Informationen. Ein statischer Textblock bildet diese Abläufe nicht ab.

Abbildung 2. Mit wachsender Realitätsnähe steigt der Aufwand der Evaluation. Erst die oberen Stufen können zeigen, ob ein System tatsächlich Versorgung verbessert.

Ausgewählte Studien zeigen bereits beeindruckende Einzelleistungen

Die ergänzenden Tabellen des Nature-Medicine-Kommentars fassen mehrere direkte Vergleiche zwischen Ärztinnen und Ärzten und modernen Sprachmodellen zusammen. Die Ergebnisse sind beeindruckend, dürfen aber nicht zu einer einzigen Rangliste addiert werden, weil Aufgaben, Modelle, menschliche Gruppen und Bewertungsmethoden unterschiedlich waren.

In einer randomisierten Studie von Goh und Kolleginnen und Kollegen erreichte GPT-4 bei sechs diagnostischen Fallvignetten einen diagnostischen Reasoning-Score von 92 Prozent, während die ärztliche Vergleichsgruppe 74 Prozent erreichte. In einer späteren Managementstudie lagen die Werte bei 43,7 Prozent für das Modell und 35,7 Prozent für Ärzte.

Bei 302 diagnostisch anspruchsvollen Fällen aus den New England Journal of Medicine Clinicopathological Conferences erreichte ein angepasstes PaLM-2-System eine Top-10-Differenzialdiagnosegenauigkeit von 59,1 Prozent gegenüber 44,4 Prozent bei Internisten. In einer textbasierten OSCE-Studie mit simulierten Patienten lag die Top-1-Diagnosegenauigkeit eines KI-Systems bei 78 Prozent und die der Hausärzte bei 66 Prozent.

Weitere Studien berichteten über eine KI-Leistung von 95 Prozent bei der Angemessenheit eines Managementplans für den ersten Besuch gegenüber 72 Prozent bei Hausärzten sowie über 97 Prozent gegenüber 74 Prozent beim diagnostischen Denken in einer großen Serie von Experimenten. In einer simulierten elektronischen Patientenakte erreichte die KI 87,8 Prozent diagnostische Genauigkeit gegenüber 78,1 Prozent bei der ärztlichen Gruppe.

Abbildung 3. Ausgewählte Werte aus der Supplementtabelle des Kommentars. Die Resultate stammen aus verschiedenen Versuchsanordnungen und sind nicht als einheitliches Gesamtranking zu verstehen.

Die Einschränkungen stehen direkt neben den Rekorden

Die meisten dieser Untersuchungen verwendeten kuratierte Fallvignetten, simulierte Patienten oder retrospektive elektronische Akten. Häufig fehlten körperliche Untersuchung, nonverbale Signale und die chaotische Informationslage realer Aufnahmegespräche. Manche ärztlichen Gruppen mussten ungewohnte Text-Chat-Oberflächen verwenden, während die KI genau für Textverarbeitung optimiert war.

Die Befunde belegen daher eine rasch wachsende Fähigkeit zu ausgewählten Formen klinischen Denkens. Sie belegen nicht, dass ein Modell bereits eine komplette ärztliche Rolle zuverlässig übernehmen kann.

Das überraschende Problem der Mensch-KI-Zusammenarbeit

Ein besonders wichtiger Befund lautet: Ein sehr gutes Modell verbessert nicht automatisch die Leistung der Menschen, die es benutzen. In der diagnostischen Studie von Goh lag die KI allein bei 92 Prozent, Ärzte ohne KI bei 74 Prozent und Ärzte mit KI-Unterstützung bei 76 Prozent. Die Unterstützung brachte damit nur einen kleinen Unterschied, obwohl das Modell allein deutlich besser bewertet wurde.

In der Managementstudie erreichte die KI 43,7 Prozent, die Ärztegruppe 35,7 Prozent und die Gruppe mit KI-Unterstützung 43,0 Prozent. Hier näherte sich die kombinierte Gruppe dem Modell an, übertraf es jedoch nicht.

Dafür gibt es mehrere mögliche Erklärungen:

• Ärztinnen und Ärzte erkennen nicht zuverlässig, wann der Vorschlag des Modells besser ist.
• Die Benutzeroberfläche präsentiert Informationen nicht in einer entscheidungsfreundlichen Form.
• Menschen können falschen Vorschlägen zu stark vertrauen oder richtige Vorschläge zu schnell ablehnen.
• Die Integration in den Denkprozess kostet Zeit und erzeugt zusätzliche kognitive Belastung.
• Ein allgemeiner Chatbot ist nicht automatisch ein gut gestaltetes klinisches Entscheidungssystem.

Damit wird klar: Nicht nur das Modell muss getestet werden. Auch das Mensch-KI-System ist eine eigenständige Intervention.

Was MAST messen soll

Der Nature-Medicine-Kommentar steht in Verbindung mit der Initiative Medical AI Superintelligence Test, kurz MAST. Die öffentlich zugängliche Plattform des ARISE-Netzwerks bündelt realistischere Benchmarks und ordnet sie mehreren klinischen Fähigkeitsdimensionen zu.

Auf der Plattform werden insbesondere diagnostisches Denken, Managemententscheidungen, Sicherheit, medizinische Bildinterpretation, radiologische Aufgaben und agentische Arbeitsabläufe unterschieden. Zum Benchmark-Portfolio gehören unter anderem SCT-Bench, CPC-Bench, First Do NOHARM, MedAgentBench, PhysicianBench und ReXrank.

Benchmark	Geprüfte Fähigkeit	Warum die Aufgabe realistischer ist
HealthBench	Offene medizinische Gespräche mit patienten- oder arztbezogenen Anforderungen.	5.000 mehrstufige Gespräche werden mit fallbezogenen, ärztlich verfassten Kriterien bewertet.
SCT-Bench	Klinisches Denken unter Unsicherheit.	Neue und teilweise widersprüchliche Informationen müssen eine bestehende Einschätzung verändern.
CPC-Bench	Komplexe Diagnostik, Tests, Literaturrecherche und multimodale Interpretation.	Verwendet Tausende anspruchsvolle klinisch-pathologische Fälle und Bildaufgaben.
First Do NOHARM	Vermeidung schädlicher Empfehlungen und gefährlicher Auslassungen.	Reale Konsultationsfälle werden durch Spezialisten nach Nutzen und Schwere möglichen Schadens bewertet.
MedAgentBench	Agentische Arbeit in einer simulierten elektronischen Patientenakte.	Modelle müssen Daten abrufen und Aufgaben über standardisierte EHR-Schnittstellen ausführen.
PhysicianBench	Lange, werkzeugbasierte EHR-Aufgaben über mehrere Schritte.	Bewertet Informationsabruf, Schlussfolgerung, Aktionen und Dokumentation anhand strukturierter Prüfpunkte.
ReXrank	Erstellung radiologischer Befunde aus Röntgenbildern.	Die Bewertung umfasst neben Textähnlichkeit auch klinisch orientierte Qualitätsmetriken.

Abbildung 4. Medizinische Intelligenz ist mehrdimensional. Ein Gesamtscore kann nützlich sein, darf aber Schwächen in sicherheitskritischen Teilbereichen nicht verdecken.

Was müsste ein belastbarer Test konkret leisten?

Der Kommentar fordert einen aufgabenbasierten Rahmen. Daraus ergibt sich ein Prüfprinzip, bei dem jede Aussage über Überlegenheit an einen klar definierten klinischen Zweck gebunden wird.

1. Die Aufgabe muss klinisch bedeutsam sein

Eine Evaluation sollte nicht mit der Frage beginnen, welche Daten leicht verfügbar sind, sondern welches Versorgungsproblem gelöst werden soll. Beispiele wären die Priorisierung akut gefährdeter Patientinnen und Patienten, die Erstellung einer Differenzialdiagnose, die Auswahl der nächsten Untersuchung oder die Prüfung einer Medikationsliste.

2. Der menschliche Vergleich muss passen

Ein Modell darf nicht als „superintelligent“ bezeichnet werden, weil es eine kleine Gruppe fachfremder oder durchschnittlicher Ärzte übertrifft. Bei spezialisierten Aufgaben muss der Vergleich mit angemessen ausgebildeten Fachleuten, gegebenenfalls mit Expertenteams oder dem bestmöglichen aktuellen Versorgungsprozess erfolgen.

Auch die Rahmenbedingungen müssen gleichwertig sein:

• gleiche Falldaten und Bildqualität;
• vergleichbarer Zugang zu Leitlinien und Literatur;
• transparent dokumentierte Zeit- und Kostenlimits;
• gleiche Möglichkeit, zusätzliche Informationen anzufordern;
• vergleichbare Definition des Endpunkts.

3. Überlegenheit braucht statistische Sicherheit

Die einfache Differenz zwischen KI- und Humanleistung kann geschrieben werden als:

Δ = Score_KI − Score_Mensch

Ein positiver Wert allein genügt nicht. Das Konfidenzintervall muss zeigen, dass der Unterschied nicht plausibel durch Zufall erklärt wird. Bei mehreren Aufgaben und Untergruppen müssen Korrekturen und vorher festgelegte primäre Endpunkte verwendet werden.

4. Sicherheit muss eigenständig bewertet werden

Ein Modell kann eine hohe diagnostische Trefferquote besitzen und trotzdem gefährlich sein. Entscheidend sind unter anderem:

• schwere falsche Empfehlungen;
• gefährliche Auslassungen;
• unnötige invasive Untersuchungen;
• falsche Dosierungen oder Kontraindikationen;
• unangemessene Verzögerung dringlicher Behandlung.

Die NOHARM-Auswertung, die in der Supplementtabelle des Kommentars zusammengefasst wird, fand bei 31 untersuchten Sprachmodellen in bis zu 22,2 Prozent der Fälle ein Potenzial für schweren Schaden. Die Sicherheitsleistung korrelierte nur mäßig mit etablierten Wissens- und KI-Benchmarks. Ein Modell kann also in Prüfungsfragen stark und bei Therapieempfehlungen riskant sein.

Eine einfache Schadensrate wäre:

Schadensrate = Fälle mit potenziell schwerem Schaden / alle geprüften Fälle

Für die klinische Bewertung müssen Schäden zusätzlich nach Schwere, Wahrscheinlichkeit und Vermeidbarkeit gewichtet werden.

5. Unsicherheit und Hilfesuche gehören zur Intelligenz

Ein sicheres System muss nicht immer antworten. Es muss erkennen, wann Daten fehlen, wann ein Fall außerhalb seines Kompetenzbereichs liegt und wann eine Fachperson hinzugezogen werden sollte. Kalibrierung beschreibt, ob die angegebene Sicherheit mit der tatsächlichen Trefferwahrscheinlichkeit übereinstimmt.

Ein Modell, das bei jeder Antwort 99 Prozent Sicherheit behauptet, ist selbst bei guter Durchschnittsleistung gefährlich. Superintelligentes Verhalten würde auch eine überlegene Entscheidung einschließen, nicht autonom zu handeln.

6. Multimodale Fähigkeiten müssen gemeinsam geprüft werden

Medizinische Entscheidungen beruhen selten nur auf Text. Ein Test sollte je nach Aufgabe Bildgebung, Laborwerte, EKG, Pathologie, Vitaldaten, Medikamente und Verlauf verbinden. Dabei muss geprüft werden, ob das Modell visuelle Informationen tatsächlich nutzt oder lediglich aus dem Begleittext schließt.

7. Agentische Systeme brauchen Handlungstests

Neuere Systeme beantworten nicht nur Fragen, sondern greifen auf elektronische Patientenakten, Rechner, Datenbanken oder Bestellsysteme zu. Damit verändert sich das Risiko. Ein sprachlich richtiger Plan kann durch einen falschen Klick, eine verwechslte Patientin oder einen fehlerhaften API-Aufruf zu Schaden führen.

Agentische Benchmarks müssen daher den vollständigen Ablauf prüfen: Daten finden, richtig interpretieren, Aktion auswählen, Berechtigungen beachten, Ausführung kontrollieren und Ergebnis dokumentieren.

8. Kosten und Effizienz gehören zum Vergleich

Medizinische Leistung bedeutet nicht maximale Diagnostik um jeden Preis. Ein System, das immer alle Tests anordnet, kann diagnostisch erfolgreich, aber medizinisch und wirtschaftlich ungeeignet sein.

Eine vereinfachte Nutzenfunktion könnte lauten:

Nutzen = klinischer Gewinn − λ × Schaden − μ × Kosten − ν × Zeit

Die Gewichtungsfaktoren λ, μ und ν hängen vom Versorgungskontext ab. In einer Notfallsituation hat Zeit ein anderes Gewicht als bei der langfristigen Kontrolle einer chronischen Erkrankung.

Warum ein einziger Gesamtscore gefährlich sein kann

Ein Gesamtscore erleichtert Ranglisten, kann aber kritische Unterschiede verdecken. Ein System könnte sehr gute Diagnosewerte erzielen und schwere Sicherheitsdefizite durch Mittelwertbildung ausgleichen. Für Hochrisikoanwendungen wäre das nicht akzeptabel.

Statt eines einzelnen Etiketts sollte ein medizinisches KI-System ein Fähigkeitsprofil erhalten:

• Leistung pro Aufgabentyp und Fachgebiet;
• Schadensrate und Art der Fehler;
• Kalibrierung und Ablehnungsverhalten;
• Leistung bei Bild-, Text- und kombinierten Daten;
• Robustheit gegenüber fehlenden oder widersprüchlichen Informationen;
• Subgruppenleistung nach Alter, Geschlecht, Sprache und Versorgungsumgebung;
• Zeit- und Kostenbedarf;
• Veränderung der Leistung menschlicher Nutzer.

„Superintelligenz“ wäre dann keine Trophäe, die ein Modell für immer erhält, sondern eine überprüfbare Aussage innerhalb eines bestimmten Aufgabenraums.

Stressprüfungen gegen die Realitätslücke

Modelle müssen auch unter Bedingungen getestet werden, die nicht dem idealen Datensatz entsprechen. Dazu gehören:

• unvollständige oder widersprüchliche Akten;
• schlechte Bildqualität;
• seltene Erkrankungen und atypische Präsentationen;
• neue Leitlinien oder Medikamente nach dem Trainingszeitraum;
• mehrsprachige Kommunikation;
• absichtlich irreführende Eingaben;
• veränderte Prävalenzen in anderen Kliniken;
• Ausfall externer Werkzeuge oder Datenbanken.

Abbildung 5. Ein Benchmark kann durch saubere Daten und schwache Vergleichsbedingungen zu optimistisch wirken. Der klinische Einsatz fügt neue Fehlerquellen hinzu.

Von der Laborprüfung zur prospektiven klinischen Studie

Selbst ein sehr realistischer Benchmark bleibt eine Simulation. Der nächste Schritt ist die prospektive Untersuchung im vorgesehenen Arbeitsablauf. Dabei sollte das KI-System wie ein diagnostischer Test oder eine andere medizinische Intervention behandelt werden.

Mögliche Endpunkte sind:

• Zeit bis zur korrekten Diagnose;
• Vermeidung schwerer Fehler;
• Veränderung unnötiger Untersuchungen;
• Behandlungsqualität und Leitlinientreue;
• Patientenergebnisse und Lebensqualität;
• Arbeitsbelastung und Zeitaufwand des Personals;
• Vertrauen, Verständnis und Akzeptanz;
• Verteilungseffekte zwischen verschiedenen Patientengruppen.

Ein Modell, das allein hervorragende Antworten gibt, könnte im klinischen System trotzdem keinen Nutzen erzeugen. Umgekehrt kann ein weniger leistungsfähiges, aber gut integriertes System Fehler reduzieren, weil es zur richtigen Zeit eine verständliche Warnung liefert.

Unabhängigkeit, Versionierung und laufende Überwachung

Ein einmaliger Test reicht für moderne KI nicht aus. Anbieter aktualisieren Modelle, verändern Systemanweisungen und kombinieren sie mit neuen Such- oder Werkzeugfunktionen. Schon eine kleine Änderung kann Verhalten und Sicherheit beeinflussen.

Ein belastbarer Prüfzyklus benötigt deshalb:

• eindeutige Modell- und Softwareversionen;
• gesperrte, nicht öffentlich bekannte Testfälle;
• unabhängige Prüfung außerhalb des Herstellerteams;
• vollständige Protokolle von Eingaben, Werkzeugaufrufen und Antworten;
• Replikation an mehreren Kliniken;
• Überwachung nach der Einführung;
• Neubewertung nach wesentlichen Updates.

Abbildung 6. Medizinische KI-Evaluation ist kein einmaliges Examen. Sie muss nach Modelländerungen und unter realen Versorgungsbedingungen fortgeführt werden.

Welche Rolle spielen MedHELM und HealthBench?

Der geforderte Ansatz baut auf einer breiteren Entwicklung der medizinischen KI-Evaluation auf. HealthBench ersetzt Multiple-Choice-Fragen durch 5.000 realistische, mehrstufige Gesundheitsgespräche. Für jeden Fall formulierten Ärztinnen und Ärzte eigene Bewertungskriterien. Damit können Genauigkeit, Kommunikation, Vollständigkeit und angemessenes Verhalten gemeinsam bewertet werden.

MedHELM geht einen anderen Weg und ordnet medizinische KI-Anwendungen in fünf große Kategorien: klinische Entscheidungsunterstützung, Dokumentation, Patientenkommunikation, medizinische Forschung und Administration. Die Taxonomie umfasst 22 Unterkategorien und 121 konkrete Aufgaben; eine erste Benchmark-Suite enthält 37 Evaluationen.

Diese Rahmen zeigen, warum eine einzige medizinische Prüfung nicht ausreicht. Ein Modell kann bei klinischer Beratung stark, bei Dokumentation mittelmäßig und bei administrativen Werkzeugaufgaben fehleranfällig sein.

Ein Test für Superintelligenz darf keine Werbeaussage werden

Der Begriff besitzt erheblichen wirtschaftlichen Wert. Unternehmen können damit den Eindruck erwecken, ihr System sei Ärzten generell überlegen. Wissenschaftliche Kriterien müssen deshalb verhindern, dass eine enge Laborleistung als umfassende medizinische Autorität vermarktet wird.

Eine verantwortliche Kommunikation sollte immer angeben:

• welche konkrete Aufgabe geprüft wurde;
• welche menschliche Gruppe als Vergleich diente;
• welche Informationen und Werkzeuge verfügbar waren;
• wie Sicherheit und Unsicherheit bewertet wurden;
• ob die Studie retrospektiv, simuliert oder prospektiv war;
• ob Patientenendpunkte untersucht wurden;
• für welche Populationen und Kliniken die Aussage gilt.

Die Formulierung „übertraf Ärzte“ ist ohne diese Angaben wissenschaftlich nahezu wertlos.

Was die Arbeit noch nicht liefert

Der Nature-Medicine-Beitrag ist ein Kommentar und kein formaler Konsensusstandard. Er etabliert noch keine weltweit akzeptierte Schwelle, ab der ein System „medizinisch superintelligent“ genannt werden darf. Auch MAST ist eine wachsende Benchmark-Suite und keine regulatorische Zulassung.

Offen bleiben unter anderem:

• Wie verschiedene Fähigkeitsdimensionen gewichtet werden sollen;
• ob ein System alle medizinischen Fachgebiete beherrschen muss;
• welche menschliche Referenz als „beste verfügbare Expertise“ gilt;
• wie seltene katastrophale Fehler gegen häufige kleine Vorteile abgewogen werden;
• wie Patientinnen und Patienten an der Definition wichtiger Endpunkte beteiligt werden;
• wie internationale Unterschiede in Leitlinien und Ressourcen berücksichtigt werden.

Der Wert der Arbeit liegt daher nicht in einer fertigen Punktzahl. Er liegt in der Forderung, den Begriff erst dann ernsthaft zu verwenden, wenn ein belastbares Messsystem existiert.

Fazit

Medizinische KI hat bereits einzelne Aufgaben erreicht, bei denen sie menschliche Vergleichsgruppen deutlich übertrifft. Das ist ein bedeutender wissenschaftlicher Fortschritt. Es ist jedoch noch kein Beweis für umfassende medizinische Superintelligenz und erst recht kein Nachweis sicherer autonomer Patientenversorgung.

Der Kommentar von Goh und Kolleginnen und Kollegen fordert deshalb einen Wechsel von spektakulären Einzelrekorden zu einer systematischen, aufgabenbasierten Evaluation. Geprüft werden müssen diagnostisches Denken, Management, Sicherheit, Unsicherheit, Multimodalität, Kommunikation und die Fähigkeit, in elektronischen Arbeitsabläufen korrekt zu handeln.

Faire menschliche Vergleichsgruppen, identische Informationsbedingungen, gewichtete Schadensmetriken, Kosten und Zeit, externe Stressprüfungen und prospektive klinische Studien sind unverzichtbar. Ebenso wichtig ist die Frage, ob die Zusammenarbeit von Mensch und KI tatsächlich besser funktioniert als beide allein.

Die vielleicht wichtigste Erkenntnis lautet: Eine wahrhaft überlegene medizinische KI müsste nicht nur häufiger die richtige Antwort kennen. Sie müsste auch wissen, wann Informationen fehlen, wann ihr eigener Vorschlag gefährlich sein könnte und wann ein Mensch übernehmen sollte. Gerade diese Fähigkeit zur begründeten Zurückhaltung dürfte zu den schwierigsten Tests medizinischer Intelligenz gehören.

Literatur und weiterführende Quellen

1. E. Goh et al.: „Toward a test of medical AI superintelligence“. Nature Medicine (2026). DOI: 10.1038/s41591-026-04539-8.
2. Goh et al.: Supplementary Information mit vergleichenden Studien und klinischen KI-Benchmarks zum genannten Kommentar (2026).
3. E. Goh et al.: „Large language model influence on diagnostic reasoning: a randomized clinical trial“. JAMA Network Open 7, e2440969 (2024). DOI: 10.1001/jamanetworkopen.2024.40969.
4. E. Goh et al.: „GPT-4 assistance for improvement of physician performance on patient care tasks: a randomized controlled trial“. Nature Medicine 31, 1233–1238 (2025). DOI: 10.1038/s41591-024-03456-y.
5. D. McDuff et al.: „Towards accurate differential diagnosis with large language models“. Nature (2025). DOI: 10.1038/s41586-025-08869-4.
6. T. Tu et al.: „Towards conversational diagnostic artificial intelligence“. Nature (2025). DOI: 10.1038/s41586-025-08866-7.
7. K. Saab et al.: „Advancing conversational diagnostic AI with multimodal reasoning“. Nature Medicine (2026). DOI: 10.1038/s41591-026-04371-0.
8. V. Liévin et al.: „Towards conversational AI for disease management“. Nature (2026). DOI: 10.1038/s41586-026-10764-5.
9. P. G. Brodeur et al.: „Performance of a large language model on the reasoning tasks of a physician“. Science 392, 524–527 (2026). DOI: 10.1126/science.adz4433.
10. D. Ferber et al.: „Towards autonomous medical artificial intelligence agents“. Nature (2026). DOI: 10.1038/s41586-026-10675-5.
11. R. K. Arora et al.: „HealthBench: Evaluating large language models towards improved human health“ (2025). DOI: 10.48550/arXiv.2505.08775.
12. S. Bedi et al.: „Holistic evaluation of large language models for medical tasks with MedHELM“. Nature Medicine 32, 943–951 (2026). DOI: 10.1038/s41591-025-04151-2.
13. Y. Jiang et al.: „MedAgentBench: a virtual EHR environment to benchmark medical LLM agents“. NEJM AI (2025). DOI: 10.1056/AIdbp2500144.
14. L. G. McCoy et al.: „Assessment of large language models in clinical reasoning: a script concordance test benchmark“. NEJM AI (2025). DOI: 10.1056/AIdbp2500120.

Quellenhinweis: Der Volltext des Nature-Medicine-Kommentars war zum Zeitpunkt der Erstellung dieses Beitrags abonnementpflichtig. Für die sachliche Einordnung wurden die öffentlich zugängliche Zusammenfassung, die vollständigen Supplementtabellen, die MAST-Plattform sowie die dort zitierten Primärstudien ausgewertet.

Medizinischer Hinweis: Dieser Beitrag behandelt die wissenschaftliche Evaluation medizinischer KI. Er stellt keine Empfehlung dar, Sprachmodelle eigenständig für Diagnosen oder Behandlungsentscheidungen einzusetzen.

Bild- und Nutzungsnachweis: Das Titelbild und die Abbildungen 1–6 wurden eigens für diesen Blogartikel mit selbst erstelltem Programmcode erzeugt. Es wurden keine Abbildungen aus der Fachpublikation, von Kliniken oder von KI-Unternehmen übernommen. Die Grafiken sind für die Verwendung in diesem monetarisierbaren Blog vorgesehen.

Siibra: Der interaktive Hirnatlas, der Moleküle, Zellen und Netzwerke miteinander verbindet

Titelbild: Siibra verbindet unterschiedliche Maßstäbe, Referenzatlanten und Datentypen über einen interaktiven Webviewer, eine Python-Bibliothek und eine Programmierschnittstelle.

Das menschliche Gehirn lässt sich nicht mit einer einzigen Karte vollständig beschreiben. Ein Magnetresonanztomogramm zeigt große anatomische Strukturen und Faserbahnen, aber keine einzelnen Nervenzellen. Histologische Schnitte können Zellschichten und mikroskopische Grenzen sichtbar machen, stammen jedoch meist aus wenigen postmortalen Gehirnen. Molekulare Messungen erfassen Rezeptoren oder Genaktivität, während funktionelle Bildgebung großräumige Netzwerke im lebenden Gehirn untersucht. Jede Methode liefert einen wichtigen Ausschnitt – doch die Daten liegen häufig in verschiedenen Formaten, Koordinatensystemen und Datenbanken.

Eine am 20. Juli 2026 in Nature Methods veröffentlichte Arbeit stellt nun die Software-Suite Siibra ausführlich vor. Entwickelt wurde sie von einem internationalen Team um Timo Dickscheid und Katrin Amunts am Forschungszentrum Jülich. Der Name steht für software interfaces for interacting with brain atlases. Siibra verbindet verteilte neurowissenschaftliche Daten mit anatomischen Referenzatlanten und macht sie über einen browserbasierten 3D-Viewer, eine Python-Bibliothek und eine HTTP-Programmierschnittstelle zugänglich.

Die häufig verwendete Formulierung „neuer Gehirnatlas“ ist dabei etwas verkürzt. Siibra ist nicht einfach eine einzelne neue Karte mit festen Grenzen. Es ist vielmehr die technische Infrastruktur für einen mehrstufigen menschlichen Hirnatlas, der makroskopische MRT-Räume, probabilistische Karten von Hirnarealen, mikroskopische Gewebemodelle, Zellmessungen, Rezeptordichten, Genexpression und funktionelle sowie strukturelle Konnektivität miteinander verknüpft.

Die Kernaussage: Siibra löst ein Integrationsproblem. Forschende können eine Hirnregion auswählen und anschließend Daten aus unterschiedlichen Maßstäben und Quellen abrufen, ohne jedes Koordinatensystem, Dateiformat und Cloudarchiv separat behandeln zu müssen. Damit werden visuelle Erkundung, automatisierte Analysen und reproduzierbare Forschungsabläufe deutlich erleichtert.

Warum ein Gehirnatlas schwieriger ist als ein geografischer Atlas

Bei einem Straßenatlas lassen sich Grenzen, Entfernungen und Koordinaten vergleichsweise eindeutig festlegen. Beim Gehirn ist die Situation komplizierter. Die Form von Windungen und Furchen unterscheidet sich von Mensch zu Mensch. Mikroskopische Arealgrenzen stimmen nicht immer mit sichtbaren Furchen überein. Eine funktionelle Aktivierung aus einer fMRT-Studie besitzt eine begrenzte räumliche Auflösung und kann mehrere anatomische Regionen überlappen.

Darüber hinaus existieren verschiedene wissenschaftliche Prinzipien, nach denen das Gehirn unterteilt werden kann:

Unterteilungsprinzip	Grundlage	Typische Fragestellung
Makroanatomie	Sichtbare Furchen, Windungen, Kerne und große Gewebestrukturen.	Wo liegt eine Läsion oder Aktivierung im groben anatomischen Raum?
Zytoarchitektur	Dichte, Größe, Form und Schichtung von Zellkörpern im Gewebe.	Wo verlaufen mikroskopisch definierte Grenzen zwischen Hirnarealen?
Rezeptorarchitektur	Räumliche Verteilung verschiedener Neurotransmitterrezeptoren.	Wie unterscheiden sich Regionen in ihrer molekularen Ausstattung?
Strukturelle Konnektivität	Faserbahnen und anatomische Verbindungen zwischen Regionen.	Welche Gebiete sind physisch miteinander verbunden?
Funktionelle Konnektivität	Korrelation zeitlicher Aktivitätsmuster, meist aus fMRT-Daten.	Welche Regionen arbeiten unter bestimmten Bedingungen gemeinsam?
Genexpression	Regionale Aktivität einzelner Gene oder Genprogramme.	Welche molekularen Mechanismen unterscheiden Hirnregionen?

Diese Unterteilungen widersprechen sich nicht zwangsläufig. Sie beschreiben unterschiedliche Ebenen desselben Organs. Das Problem besteht darin, sie räumlich und semantisch miteinander in Beziehung zu setzen.

Abbildung 1. Neurowissenschaftliche Daten reichen von Zentimetern bis zur molekularen Ebene. Ein mehrstufiger Atlas muss diese Maßstäbe verbinden, obwohl sie mit unterschiedlichen Methoden gemessen werden.

Was genau ist Siibra?

Siibra ist eine modulare Open-Source-Software-Suite. Sie bildet eine gemeinsame Zugriffsschicht zwischen Atlanten, Koordinatenräumen, Cloudarchiven und Analysewerkzeugen. Die eigentlichen Daten werden dabei nicht vollständig in Siibra gespeichert. Stattdessen verweisen kuratierte Metadaten auf veröffentlichte Ressourcen, die beispielsweise in der europäischen Forschungsinfrastruktur EBRAINS, im Allen Human Brain Atlas oder in großen Bildarchiven liegen.

Die Suite besteht aus drei zentralen Zugängen:

Komponente	Funktion	Zielgruppe
siibra-explorer	Interaktiver 3D-Webviewer zum Navigieren durch Referenzräume, Karten und verknüpfte Datensätze.	Forschende, Studierende und interessierte Nutzer ohne Programmierkenntnisse.
siibra-python	Python-Bibliothek für automatisierte Abfragen, Koordinatentransformationen, Datenextraktion und reproduzierbare Analysen.	Computational Neuroscience, Neuroinformatik und datenintensive Forschung.
siibra-api	HTTP-Schnittstelle, über die andere Programme Atlasregionen, Karten und Datenmerkmale abfragen können.	Entwickler von Forschungssoftware, Webanwendungen und Analyseplattformen.

Der Webviewer ist der unmittelbarste Einstieg. Nutzer können menschliche, Makaken-, Ratten- oder Mäuseatlanten auswählen, Gehirnregionen anklicken, Schnittebenen verändern und zwischen verschiedenen räumlichen Vorlagen wechseln. Für komplexe Forschungsprojekte bietet siibra-python denselben Zugang programmatisch und erweitert ihn um automatisierbare Arbeitsabläufe.

Abbildung 2. Siibra verbindet Datenquellen, Atlanten und Koordinatenräume. Die Daten können anschließend interaktiv, über Python oder über eine Web-API genutzt werden.

Das anatomische Rückgrat: Julich-Brain

Ein zentrales anatomisches Referenzsystem ist der Julich-Brain Atlas. Er basiert auf der Zytoarchitektur des menschlichen Gehirns, also auf der mikroskopischen Verteilung, Dichte und Gestalt von Zellkörpern. Die Grenzen werden nicht allein nach sichtbaren Furchen festgelegt, sondern anhand quantitativer Veränderungen im Gewebe.

Julich-Brain enthält inzwischen probabilistische Karten von mehr als 200 kortikalen und subkortikalen Arealen pro Hemisphäre. Die Karten beruhen auf Untersuchungen mehrerer postmortaler Gehirne und bilden deshalb nicht nur einen einzelnen Menschen ab. Sie zeigen, mit welcher Wahrscheinlichkeit ein bestimmtes Areal an einer Position im standardisierten Raum liegt.

Die aufwendige Kartierung benötigt viel Zeit. Nach Angaben des Forschungsteams kann die detaillierte Erfassung eines einzigen Areals ungefähr ein Wissenschaftlerjahr beanspruchen. Der Atlas wird deshalb als „lebender Atlas“ weiterentwickelt und regelmäßig um neue Regionen ergänzt.

Warum probabilistische Karten wichtig sind

Eine starre Atlasgrenze könnte den Eindruck erwecken, ein Hirnareal beginne bei allen Menschen an exakt derselben Koordinate. In Wirklichkeit unterscheiden sich Größe, Form und Lage. Eine probabilistische Karte beschreibt diese Variabilität mathematisch.

Für eine Position x kann eine Atlasfunktion beispielsweise eine Wahrscheinlichkeit oder einen Zugehörigkeitswert liefern:

P(R | x) = Wahrscheinlichkeit, dass die Position x zur Region R gehört

Liegt eine Messung mitten in einer Region, kann die Zuordnung sehr eindeutig sein. In Grenzbereichen können mehrere Areale plausible Werte besitzen. Siibra kann solche Wahrscheinlichkeiten auswerten, anstatt jede Koordinate zwangsweise einer einzigen scharf abgegrenzten Region zuzuordnen.

Abbildung 3. Probabilistische Karten berücksichtigen, dass anatomische Grenzen zwischen Personen variieren. Eine starre Linie würde diese Unsicherheit verbergen.

Für Neuroimaging-Studien ist das besonders relevant. Ein Aktivierungszentrum aus einer fMRT-Analyse oder der Kontakt einer Stimulationselektrode besitzt ebenfalls räumliche Unsicherheit. Die probabilistische Zuordnung erlaubt daher eine abgestufte anatomische Interpretation.

BigBrain: der mikroskopische Referenzraum

Der makroskopische MRT-Raum wird in Siibra mit dem BigBrain verbunden. BigBrain ist eine dreidimensionale Rekonstruktion eines menschlichen postmortalen Gehirns aus 7.404 histologischen Schnitten. Die isotrope Voxelgröße beträgt 20 × 20 × 20 Mikrometer. Damit entsteht eine Brücke zwischen dem ganzen Gehirn und mikroskopischen Gewebestrukturen.

Der vollständige BigBrain-Datensatz umfasst fast ein Terabyte. Für viele Arbeitsgruppen wäre es unpraktisch, ihn komplett herunterzuladen und lokal zu verarbeiten. Siibra ermöglicht deshalb den gezielten Zugriff auf Ausschnitte. Forschende können eine Region im MRT-Raum auswählen, die Position in den BigBrain-Raum transformieren und anschließend nur relevante hochauflösende Bildbereiche aus der Cloud abrufen.

Die räumliche Transformation lässt sich abstrakt schreiben als:

x_BigBrain = T(x_MNI)

T bezeichnet eine nichtlineare Transformation zwischen zwei Referenzräumen. Da unterschiedliche Gehirne aufeinander abgebildet werden, ist das Ergebnis niemals völlig fehlerfrei. Siibra hält den verwendeten Raum und die Transformation jedoch explizit fest, sodass die Zuordnung nachvollziehbar bleibt.

Abbildung 4. Siibra kann Positionen zwischen makroskopischen und mikroskopischen Räumen übertragen und gezielt hochauflösende Bildausschnitte aus Cloudressourcen abrufen.

Vom ganzen Gehirn bis zu Betz-Zellen

Die Publikation demonstriert den Maßstabswechsel am primären motorischen Cortex. Im Webviewer kann zunächst das Areal 4p in einem MNI-Referenzraum ausgewählt werden. Anschließend wechselt die Darstellung zum mikroskopischen BigBrain-Modell, ohne den interessierenden Ort zu verlieren. Über hochauflösende Schnitte lassen sich schließlich einzelne große Betz-Zellen in der fünften kortikalen Schicht erkennen.

Dieses Beispiel zeigt den eigentlichen Mehrwert: Die verschiedenen Ansichten sind nicht bloß nebeneinander abgelegt. Sie werden räumlich miteinander verknüpft. Eine makroskopische Region kann als Ausgangspunkt dienen, um zu kortikalen Schichten, Zellverteilungen und Gewebebildern zu gelangen.

Welche Datenarten lassen sich zu einer Region abrufen?

Für eine ausgewählte Hirnregion kann Siibra ein multimodales Profil zusammenstellen. Dazu gehören je nach Datenlage:

• Zelldichten und histologische Färbeprofile;
• Schichtdicken und Zellverteilungen innerhalb des Cortex;
• Dichten verschiedener Neurotransmitterrezeptoren;
• regionale Genexpressionswerte;
• strukturelle Faserverbindungen;
• funktionelle Konnektivitätsprofile;
• hochaufgelöste zwei- und dreidimensionale Bilddaten;
• probabilistische Karten und Oberflächenmodelle.

In der Studie vergleichen die Autoren beispielsweise das primäre visuelle Areal hOc1 mit Area 44, einem Teil der Broca-Region. Beide Areale unterscheiden sich in Zellverteilung, Rezeptordichten, Genexpression und funktionellen Verbindungen. Siibra übernimmt dabei nicht die wissenschaftliche Interpretation. Es stellt die räumlich zugeordneten Daten in vergleichbaren Formaten bereit.

Datenintegration ohne riesige lokale Downloads

Ein zentrales Problem moderner Neurowissenschaften ist nicht der Mangel an Daten, sondern ihre technische Zersplitterung. Ein Datensatz liegt als NIfTI-Datei vor, ein anderer als mehrstufiges Cloudbild, ein dritter in einer Datenbank mit eigener Programmierschnittstelle. Manche Bildressourcen erreichen Gigabyte- oder Terabyte-Größe.

Siibra vereinheitlicht den Zugriff. Für den Nutzer erscheinen Bilddaten als gebräuchliche NIfTI-Objekte, Tabellen als pandas-Datenrahmen und numerische Daten als NumPy-Strukturen. Dadurch können sie unmittelbar mit verbreiteten Werkzeugen wie Nilearn, ITK-SNAP, napari oder Matplotlib weiterverarbeitet werden.

Bei großen Bildern werden nur die benötigten Ausschnitte übertragen. Diese Strategie entspricht einem allgemeinen Wandel von der dateibasierten Forschung zur Interaktion mit Cloudressourcen. Forschende müssen nicht mehr jeden vollständigen Datensatz lokal speichern, sondern können anatomisch definierte Abfragen ausführen.

Reproduzierbare Arbeitsabläufe statt manueller Klickfolgen

Ein 3D-Viewer ist hervorragend geeignet, um Daten visuell zu erkunden. Für eine wissenschaftliche Studie reicht es aber nicht, einige Bilder manuell anzusehen. Andere Arbeitsgruppen müssen nachvollziehen können, welche Region, Version, Transformation und Auflösung verwendet wurden.

Hier kommt siibra-python ins Spiel. Ein Analyseablauf kann als Code dokumentiert werden:

1. Referenzatlas und Koordinatenraum auswählen;
2. Hirnregion oder räumlichen Ausschnitt definieren;
3. probabilistische Zuordnung berechnen;
4. verknüpfte Datenmerkmale abfragen;
5. Bilddaten in festgelegter Auflösung extrahieren;
6. Ergebnisse mit Metadaten und persistenten Quellenangaben speichern.

Die Publikation stellt für ihre Abbildungen ausführbaren Code oder dauerhafte Atlaslinks bereit. Der Artikel ist damit zugleich eine Demonstration reproduzierbarer Nutzung. Ein anderes Team kann die Abfrage wiederholen, verändern oder auf eine andere Region anwenden.

FAIR-Prinzipien und ein „lebender“ Atlas

Siibra orientiert sich an den FAIR-Prinzipien: Daten sollen auffindbar, zugänglich, interoperabel und wiederverwendbar sein. Inhalte werden mit Metadaten, Quellen und häufig einer DOI verknüpft. Der EBRAINS Knowledge Graph bildet dabei eine zentrale Infrastruktur.

Die strikte Trennung zwischen Software und Inhalten erleichtert Erweiterungen. Neue Karten, Referenzräume oder Datenmerkmale können hinzugefügt werden, ohne den Kern der Software neu zu entwerfen. Über sogenannte Live Queries kann Siibra Daten dynamisch aus unterstützten Cloudplattformen abrufen. Derzeit gehören dazu unter anderem EBRAINS, der Allen Human Brain Atlas und hochauflösende Bildressourcen.

Auch lokale Daten können eingebunden werden. Im Webviewer lassen sich vorab ausgerichtete NIfTI-Dateien per Drag-and-drop über Atlasdaten legen. Nach Angaben der Entwickler verbleibt die Datei dabei auf dem lokalen System und muss nicht vollständig auf den Siibra-Server hochgeladen werden.

Fallstudie: Zielregionen der tiefen Hirnstimulation

Die Autoren demonstrieren den praktischen Nutzen an subkortikalen Zielregionen der tiefen Hirnstimulation. Dabei werden Elektroden in tiefen Hirnstrukturen platziert, um bestimmte Netzwerke elektrisch zu modulieren. Schon kleine räumliche Unterschiede können Wirkung und Nebenwirkungen beeinflussen.

Untersucht wurde der ventrale intermediäre Thalamuskern, kurz VIM, der unter anderem bei der Behandlung von Tremor relevant ist. Eine frühere Studie hatte MRT-basierte Cluster anhand ihrer Faserverbindungen bestimmten Thalamusregionen zugeordnet. Siibra ermöglichte eine erneute Analyse mit probabilistischen Julich-Brain-Karten und mikroskopischen BigBrain-Schnitten.

Für die räumliche Überlappung zweier Karten kann beispielsweise der Dice-Koeffizient verwendet werden:

Dice(A,B) = 2 |A ∩ B| / (|A| + |B|)

Ein Wert von 1 bedeutet vollständige Überlappung, ein Wert von 0 keine Überlappung. Die Siibra-Analyse zeigte, dass ein als „Dentate“ bezeichnetes Cluster gut zum VIM passte. Ein „Precentral“-Cluster lag dagegen in wichtigen Schnitten eher im benachbarten ventral-posterolateralen Kern, dem VPL, und war teilweise nur angrenzend an den VIM.

Abbildung 5. Die Fallstudie zeigt, wie Siibra makroskopische Konnektivitätskarten mit mikroskopisch definierten Kerngebieten vergleichen kann. Die Darstellung ist rein schematisch und keine Operationsplanung.

Das Beispiel bedeutet nicht, dass Siibra selbstständig die optimale Elektrode für einen Patienten bestimmt. Es zeigt, dass die Kombination verschiedener Atlanten und Maßstäbe frühere anatomische Zuordnungen verfeinern oder korrigieren kann. Für klinische Anwendungen wären patientenspezifische Bildgebung, validierte Transformationsverfahren und ärztliche Bewertung weiterhin unverzichtbar.

Potenzial für digitale Gehirnmodelle

Ein digitaler Hirnzwilling oder ein personalisiertes Netzwerkmodell benötigt mehr als eine grobe Unterteilung in Regionen. Modelle müssen wissen, wie Regionen verbunden sind, welche Zell- und Rezeptoreigenschaften sie besitzen und wie sich individuelle Anatomie auf die räumliche Zuordnung auswirkt.

Siibra kann für solche Modelle eine Daten- und Referenzschicht bereitstellen. Ein Simulationsprogramm könnte beispielsweise:

• eine definierte Parzellierung laden;
• strukturelle Konnektivität zwischen Regionen abrufen;
• regionale Rezeptor- oder Zelldichtewerte integrieren;
• Patientendaten in denselben Raum übertragen;
• Ergebnisse wieder anatomischen Regionen zuordnen.

Damit ist Siibra selbst noch kein vollständiges Gehirnmodell. Die Suite stellt vielmehr die geordnete Infrastruktur bereit, auf der Modelle aufgebaut und miteinander verglichen werden können.

Bio-inspirierte künstliche Intelligenz

Die Entwickler nennen auch bio-inspirierte KI als mögliches Anwendungsfeld. Heutige künstliche neuronale Netze übernehmen nur sehr grobe Prinzipien biologischer Nervensysteme. Ein mehrstufiger Atlas könnte Forschenden helfen, realistischere Beziehungen zwischen Zellarchitektur, regionaler Spezialisierung und Netzwerkorganisation zu untersuchen.

Allerdings folgt aus einer detaillierten Karte nicht automatisch ein funktionierendes KI-Modell. Anatomische Struktur ist nur ein Teil der Gehirnfunktion. Zeitliche Dynamik, Plastizität, Körperzustände, Entwicklung und Lernen müssen zusätzlich modelliert werden.

Wie kann man den Atlas selbst erkunden?

Der öffentlich zugängliche siibra-explorer kann direkt im Webbrowser genutzt werden. Ein typischer Einstieg sieht so aus:

1. menschlichen Hirnatlas und gewünschten Referenzraum auswählen;
2. über die Regionensuche ein Areal aufrufen;
3. probabilistische Karte und dreidimensionale Oberfläche betrachten;
4. zu BigBrain oder einer anderen Vorlage wechseln;
5. verknüpfte Merkmale wie Konnektivität, Rezeptordichten oder histologische Bilder öffnen.

Der Viewer funktioniert auch auf mobilen Geräten, für die intensive Analyse großer Bildressourcen ist jedoch ein Desktopbrowser geeigneter.

Grenzen und offene Herausforderungen

Abbildung 6. Siibra ist eine leistungsfähige Forschungsinfrastruktur. Der Atlas bleibt jedoch von Datenqualität, räumlicher Unsicherheit und der Validierung konkreter Anwendungen abhängig.

Ein Atlas ist kein individuelles Gehirn

Standardräume und probabilistische Karten beschreiben Referenzen und Populationen. Ein einzelner Patient kann deutlich abweichende Anatomie besitzen, insbesondere bei Tumoren, Entwicklungsstörungen, Operationen oder neurodegenerativen Veränderungen.

Transformationen sind nicht fehlerfrei

Die Übertragung zwischen einem lebenden MRT-Gehirn, einem Populationsraum und einem postmortalen mikroskopischen Modell erfordert nichtlineare Verformungen. In zentralen Bereichen können sie sehr präzise sein, an stark variablen Grenzen bleibt Unsicherheit.

Datenquellen besitzen unterschiedliche Qualität

Ein Atlas kann nur so zuverlässig sein wie seine Eingangsdaten. Stichprobengröße, Messverfahren, Gewebequalität und Vorverarbeitung unterscheiden sich. Siibra harmonisiert den Zugriff, beseitigt aber nicht automatisch methodische Unterschiede.

Nicht jede Region ist gleich umfassend beschrieben

Für manche Areale existieren detaillierte Zell-, Rezeptor-, Genexpressions- und Konnektivitätsdaten. Andere Regionen sind deutlich weniger vollständig untersucht. Der Atlas bleibt daher räumlich und modal ungleichmäßig.

Cloudinfrastruktur beeinflusst die Nutzung

Die Autoren berichten, dass typische Abfragen innerhalb Europas meist flüssig und zuverlässig funktionierten, während Zugriffe aus anderen Kontinenten zeitweise langsamer waren. Globale Spiegelserver und zusätzliche internationale Plattformen werden deshalb wichtig.

Klinische Anwendungen benötigen eigene Validierung

Eine anatomisch plausible Atlaszuordnung reicht nicht für eine medizinische Entscheidung. Tiefenhirnstimulation, Operationsplanung oder personalisierte Simulationen benötigen patientenspezifische Daten, regulatorisch geeignete Software und prospektive klinische Prüfungen.

Warum die Publikation dennoch ein wichtiger Meilenstein ist

Der wissenschaftliche Fortschritt liegt nicht in einer spektakulären neuen Einzelkarte. Er liegt in der systematischen Verbindung bereits vorhandener und neuer Daten. Neurowissenschaftliche Forschung produziert immer größere Datensätze, aber ohne gemeinsame Referenzen können sie schwer verglichen und wiederverwendet werden.

Siibra bietet dafür ein technisches und begriffliches Gerüst. Regionen, Koordinaten, Bildausschnitte und Datenmerkmale werden als miteinander verknüpfte Objekte behandelt. Unsicherheit wird nicht ignoriert, sondern probabilistisch modelliert. Große Daten müssen nicht vollständig heruntergeladen werden. Interaktive Erkundung und programmatische Analyse greifen auf dieselben Atlasinhalte zu.

Diese Kombination kann die Reproduzierbarkeit verbessern und den Übergang von einer interessanten Einzelmessung zu einer umfassenden regionalen Charakterisierung erleichtern.

Fazit

Siibra ist weniger ein fertiges Buch über das Gehirn als eine offene digitale Bibliothek mit einem präzisen räumlichen Ordnungssystem. Die Software verbindet makroskopische MRT-Referenzräume, den probabilistischen Julich-Brain Atlas, das mikroskopische BigBrain-Modell und zahlreiche verteilte Datensätze zu Zellen, Rezeptoren, Genexpression, Faserbahnen und funktionellen Netzwerken.

Über den 3D-Webviewer können Nutzer vom gesamten Gehirn bis zu einzelnen Zellkörpern navigieren. siibra-python ermöglicht reproduzierbare Analysen und gezielte Cloudabfragen, während die API andere Anwendungen mit Atlasdaten versorgt.

Die Fallstudie zur tiefen Hirnstimulation zeigt, dass diese Integration praktische Folgen haben kann. Eine Region, die in einer makroskopischen Analyse einem bestimmten Thalamuskern zugeordnet wurde, ließ sich durch mikroskopische Referenzen differenzierter bewerten. Solche Ergebnisse können anatomische Hypothesen verbessern, ersetzen aber keine patientenspezifische klinische Validierung.

Der langfristige Wert von Siibra liegt in seiner Erweiterbarkeit. Neue Karten und Datensätze können in denselben räumlichen und semantischen Rahmen eingebunden werden. Auf diese Weise entsteht kein endgültiger Atlas, sondern eine wachsende Forschungsinfrastruktur, die unser Bild des Gehirns schrittweise präzisiert – von großen Netzwerken bis zu Zellen und Molekülen.

Literatur und weiterführende Quellen

1. T. Dickscheid et al.: „Siibra: a software tool suite for realizing a Multilevel Human Brain Atlas from complex data resources“. Nature Methods (2026). DOI: 10.1038/s41592-026-03159-x.
2. K. Amunts, H. Mohlberg, S. Bludau & K. Zilles: „Julich-Brain: A 3D probabilistic atlas of the human brain’s cytoarchitecture“. Science 369, 988–992 (2020). DOI: 10.1126/science.abb4588.
3. K. Amunts et al.: „BigBrain: An ultrahigh-resolution 3D human brain model“. Science 340, 1472–1475 (2013). DOI: 10.1126/science.1235381.
4. S. Ewert et al.: „Toward defining deep brain stimulation targets in MNI space: A subcortical atlas based on multimodal MRI, histology and structural connectivity“. NeuroImage 170, 271–282 (2018). DOI: 10.1016/j.neuroimage.2017.05.015.
5. EBRAINS: „Human Brain Atlas“ und Dokumentation zu siibra-explorer, siibra-python und siibra-api, Stand Juli 2026.
6. Forschungszentrum Jülich: „Vom Molekül zum Netzwerk: siibra vereint Hirndaten in einem Atlas“, Juli 2026.

Forschungsstand: Der Beitrag berücksichtigt die am 20. Juli 2026 in Nature Methods veröffentlichte Siibra-Publikation sowie die im Juli 2026 verfügbaren offiziellen Informationen des Forschungszentrums Jülich und von EBRAINS.

Bild- und Nutzungsnachweis: Das Titelbild und die Abbildungen 1–6 wurden eigens für diesen Blogartikel mit selbst erstelltem Programmcode erzeugt. Es wurden keine Abbildungen aus der Fachpublikation, dem Forschungszentrum Jülich oder EBRAINS übernommen. Die Grafiken sind für die Verwendung in diesem monetarisierbaren Blog vorgesehen.

Wenn die Netzhaut auf das verantwortliche Gen hinweist: Retina4IRD verbessert die Diagnose erblicher Netzhauterkrankungen

Titelbild: Retina4IRD führt Netzhautbilder und klinische Informationen zusammen, um mögliche genetische Ursachen zu priorisieren. Die endgültige Bestätigung erfolgt weiterhin durch molekulargenetische Diagnostik.

Erbliche Netzhauterkrankungen gehören zu den diagnostisch schwierigsten Gruppen in der Augenheilkunde. Hunderte genetische Ursachen können zu ähnlichen Beschwerden führen, während unterschiedliche Varianten desselben Gens sehr verschiedene Erscheinungsbilder hervorrufen können. Betroffene berichten beispielsweise über Nachtblindheit, Gesichtsfeldausfälle, Blendempfindlichkeit, Farbsinnstörungen oder einen allmählichen Verlust der zentralen Sehschärfe. Bis aus diesen Symptomen eine molekulargenetisch bestätigte Diagnose entsteht, sind häufig spezialisierte Bildgebung, elektrophysiologische Untersuchungen, Familienanalysen und umfangreiche Sequenzierungen erforderlich.

Eine am 24. Juli 2026 in Nature Medicine veröffentlichte multizentrische randomisierte Studie zeigt nun, dass künstliche Intelligenz diesen Weg erheblich unterstützen kann. Das System trägt den Namen Retina4IRD. Es analysiert Farbfundusaufnahmen und optische Kohärenztomografie, verbindet die Bildinformationen mit klinischen Metadaten und erstellt eine Rangliste möglicher Genotyp-Kategorien. In der randomisierten klinischen Prüfung lag die genetisch bestätigte Kategorie bei 88,5 Prozent der mit Retina4IRD unterstützten Diagnosen unter den fünf ersten Vorschlägen. Ohne KI-Unterstützung erreichten die Fachärztinnen und Fachärzte 67,3 Prozent.

Die Arbeit ist besonders bemerkenswert, weil sie nicht nur die Genauigkeit eines Algorithmus an einem nachträglich zusammengestellten Bilddatensatz prüfte. Die Forschenden testeten das System in einem prospektiven klinischen Arbeitsablauf, randomisierten Patientinnen und Patienten und verglichen ärztliche Entscheidungen mit und ohne KI-Unterstützung.

Die Kernaussage: Retina4IRD ersetzte weder Augenärzte noch genetische Sequenzierung. Das System half Spezialisten dabei, aus multimodalen Netzhautbildern und klinischen Daten eine bessere Rangliste wahrscheinlicher genetischer Ursachen zu erstellen. Der größte Nutzen liegt damit in einer gezielteren Vorbereitung der genetischen Diagnostik und in einer strukturierteren klinischen Entscheidungsfindung.

Was sind erbliche Netzhauterkrankungen?

Unter dem Begriff inherited retinal diseases, kurz IRDs, wird eine große Gruppe genetisch bedingter Erkrankungen der Netzhaut zusammengefasst. Betroffen sein können die lichtempfindlichen Stäbchen und Zapfen, das retinale Pigmentepithel, der Sehzyklus, Zellverbindungen, Transportprozesse oder die Entwicklung der Netzhaut.

Zu den bekannteren Krankheitsbildern gehören:

Erkrankungsgruppe	Typische Auswirkungen	Diagnostische Besonderheit
Retinitis pigmentosa	Häufig zunächst Nachtblindheit und fortschreitende Einengung des Gesichtsfelds.	Viele verschiedene Gene können ein ähnliches klinisches Bild erzeugen.
Stargardt-Erkrankung	Vor allem Verlust der zentralen Sehschärfe, häufig bereits in jungen Jahren.	Bildmuster können sich mit anderen Makuladystrophien überschneiden.
Zapfen- oder Zapfen-Stäbchen-Dystrophie	Farbsinnstörungen, Blendempfindlichkeit und zentraler Sehverlust.	Der Verlauf und die Reihenfolge betroffener Photorezeptoren variieren.
Leber-kongenitale Amaurose	Schwere Sehbeeinträchtigung bereits im Säuglings- oder frühen Kindesalter.	Eine frühe molekulare Diagnose kann für genetisch gezielte Therapien besonders wichtig sein.
Usher-Syndrom	Kombination aus Netzhautdegeneration und Hörverlust.	Die Diagnose erfordert eine Verbindung ophthalmologischer und systemischer Befunde.

Die klinische und genetische Heterogenität ist enorm. Ein einzelnes Gen kann verschiedene Phänotypen verursachen, während ein scheinbar typischer Phänotyp durch viele unterschiedliche Gene entstehen kann. Selbst spezialisierte Zentren müssen deshalb Bildgebung, Funktionsmessungen, Vererbungsmuster und Genetik zusammenführen.

Warum die genetische Diagnose immer wichtiger wird

Eine molekulargenetische Diagnose erfüllt mehrere Funktionen. Sie kann eine klinische Vermutung bestätigen, das Vererbungsmuster erklären und Familien bei der Beratung unterstützen. Sie hilft außerdem, Prognosen besser einzuordnen und Patientinnen und Patienten für passende klinische Studien oder bereits verfügbare genbasierte Behandlungen zu identifizieren.

Die wachsende Zahl experimenteller Gentherapien, Geneditierungsverfahren, RNA-Therapien und mutationsunabhängiger Ansätze erhöht daher den Zeitdruck. Eine unspezifische Diagnose wie „Netzhautdystrophie“ reicht für eine genetisch zielgerichtete Therapie nicht aus. Entscheidend ist, welche krankheitsverursachende Variante tatsächlich vorliegt.

Genetische Tests liefern jedoch nicht immer sofort eine eindeutige Antwort. Je nach Erkrankung, Testverfahren, Population und Datenlage kann ein beträchtlicher Teil der Fälle zunächst ungeklärt bleiben. Zudem erzeugt Sequenzierung häufig mehrere Varianten, deren klinische Bedeutung bewertet werden muss. Eine präzise Phänotypisierung kann dann helfen, die plausibelsten Kandidaten zu priorisieren.

Der bisherige Diagnoseweg

Der klassische Weg beginnt mit Beschwerden, Familienanamnese und augenärztlicher Untersuchung. Es folgen häufig Farbfundusbilder, Fundusautofluoreszenz, OCT, Gesichtsfeldmessung, Elektroretinografie und weitere Funktionsprüfungen. Anschließend wird entschieden, welches Genpanel, welche Exomsequenzierung oder welche andere genetische Untersuchung sinnvoll ist.

Dieses Vorgehen benötigt hochspezialisiertes Wissen. Viele einzelne IRDs sind so selten, dass selbst erfahrene Augenärztinnen und Augenärzte bestimmte Gen-Phänotyp-Kombinationen nur selten sehen. Ein KI-System kann hier theoretisch als „verteilte Erfahrung“ wirken: Es lernt Muster aus vielen genetisch bestätigten Fällen und stellt dieses Musterwissen in einer neuen Untersuchung als Rangliste bereit.

Abbildung 1. Retina4IRD ist vor der genetischen Bestätigung eingeordnet. Das System priorisiert Kandidaten, während Sequenzierung und fachärztliche Interpretation den endgültigen Befund bestimmen.

Welche Daten verarbeitet Retina4IRD?

Die Forschenden trainierten und validierten Retina4IRD mit Daten von 1.843 genetisch bestätigten Patientinnen und Patienten beziehungsweise 3.376 Augen aus China, Südkorea und Polen. Verwendet wurden vor allem zwei verbreitete Bildgebungsverfahren.

Farbfundusfotografie

Ein Farbfundusbild zeigt die Netzhaut von vorne. Erkennbar sind unter anderem Sehnervenkopf, Blutgefäße, Makula, Pigmentveränderungen, Atrophien und Ablagerungen. Verschiedene genetische Erkrankungen erzeugen charakteristische räumliche Muster, die jedoch nicht immer eindeutig sind.

Optische Kohärenztomografie

Die OCT erzeugt hochauflösende Querschnittsbilder der Netzhaut. Sie zeigt einzelne Schichten, die Photorezeptorzone, das Pigmentepithel, Flüssigkeitsräume und strukturelle Verluste. Für die Genotypvorhersage ist diese Tiefeninformation besonders wertvoll, weil unterschiedliche Erkrankungen bestimmte Zellschichten und Regionen bevorzugt verändern können.

Klinische Metadaten

Bildmuster allein sind nicht immer ausreichend. Alter, Erkrankungsbeginn, Geschlecht, Verlauf, Beschwerden und weitere klinische Angaben können die Wahrscheinlichkeit bestimmter Diagnosen verändern. Retina4IRD kombiniert daher visuelle Merkmale mit Metadaten, anstatt lediglich ein einzelnes Foto zu klassifizieren.

Abbildung 2. Vereinfachte Modellarchitektur. Bildmerkmale aus Fundusfoto und OCT werden mit klinischen Informationen zusammengeführt und in eine Rangliste von 17 Genotyp-Kategorien übersetzt.

Was ist RETFound?

Retina4IRD wurde nicht vollständig von Grund auf mit den vergleichsweise seltenen IRD-Fällen trainiert. Das System verwendet einen Vision Transformer, der zuvor mit RETFound vortrainiert wurde. RETFound ist ein sogenanntes Foundation Model für Netzhautbilder.

Das 2023 vorgestellte Modell wurde mit rund 1,6 Millionen nicht beschrifteten Fundus- und OCT-Bildern trainiert. Beim selbstüberwachten Lernen musste es stark verdeckte Bildbereiche rekonstruieren. Dadurch lernte es allgemeine Strukturen der Netzhaut, ohne für jedes Bild eine Krankheitsdiagnose zu benötigen.

Ein Foundation Model ähnelt damit einer allgemeinen visuellen Grundausbildung. Für eine konkrete Aufgabe – hier die Priorisierung genetischer IRD-Kategorien – wird es anschließend mit beschrifteten, genetisch bestätigten Fällen angepasst.

Wie ein Vision Transformer Bilder verarbeitet

Ein Vision Transformer zerlegt ein Bild in kleine Ausschnitte, sogenannte Patches. Jeder Patch wird in einen Zahlenvektor umgewandelt. Über den Self-Attention-Mechanismus kann das Modell lernen, welche Bildbereiche miteinander in Beziehung stehen.

Der zentrale Rechenschritt wird häufig vereinfacht dargestellt als:

Attention(Q, K, V) = softmax(QK^T / √d_k)V

Q, K und V stehen für gelernte Query-, Key- und Value-Repräsentationen. Das Modell berechnet, welche Bildteile für die Interpretation anderer Bildteile relevant sind. Bei einer Netzhautaufnahme könnte es beispielsweise räumliche Beziehungen zwischen Makula, Atrophiegrenzen und Photorezeptorschichten erfassen.

Diese mathematische Aufmerksamkeit ist nicht mit menschlicher Aufmerksamkeit oder klinischem Verständnis gleichzusetzen. Sie ist ein Rechenmechanismus zur Gewichtung von Merkmalen.

Was bedeutet „Top-5-Genauigkeit“?

Die wichtigste Ergebnisgröße der Studie war nicht ausschließlich die erste KI-Diagnose. Retina4IRD erzeugt eine geordnete Liste möglicher Kategorien. Bei der Top-k-Genauigkeit gilt eine Vorhersage als Treffer, wenn die genetisch bestätigte Kategorie unter den ersten k Vorschlägen liegt.

Top-k-Genauigkeit = Treffer mit korrekter Kategorie in den ersten k Vorschlägen / alle Fälle

Eine Top-5-Genauigkeit von 88,5 Prozent bedeutet deshalb nicht, dass Retina4IRD in 88,5 Prozent der Fälle sofort das richtige Gen an erster Stelle nannte. Es bedeutet, dass die richtige Kategorie bei 88,5 Prozent unter den fünf priorisierten Vorschlägen enthalten war.

Diese Unterscheidung ist klinisch entscheidend. Als Entscheidungshilfe kann eine gute Rangliste sehr nützlich sein, weil sie die fachärztliche Interpretation und genetische Variantenbewertung fokussiert. Für eine autonome Enddiagnose wäre eine Top-5-Liste dagegen nicht ausreichend.

Modellentwicklung und externe Validierung

In der internen Validierung erreichte Retina4IRD eine Top-5-Genauigkeit von 90,4 Prozent. Das 95-Prozent-Konfidenzintervall lag zwischen 89,6 und 91,2 Prozent. In der externen Validierung erreichte das System 85,6 Prozent bei einem Konfidenzintervall von 85,0 bis 86,3 Prozent.

Der Rückgang zwischen interner und externer Validierung ist nicht überraschend. Andere Kliniken können unterschiedliche Kameras, OCT-Geräte, Patientengruppen und Aufnahmeprotokolle verwenden. Gerade bei medizinischer KI ist externe Validierung wichtig, weil eine sehr gute interne Leistung keine zuverlässige Übertragbarkeit garantiert.

Die Ergebnisse zeigen dennoch, dass das vortrainierte Modell relevante Muster über mehrere Länder und Zentren hinweg erfasste. Der nächste und wesentlich anspruchsvollere Schritt war jedoch die Prüfung im realen ärztlichen Entscheidungsprozess.

Die randomisierte klinische Studie

Die Forschenden rekrutierten 300 Personen mit Verdacht auf eine erbliche Netzhauterkrankung und teilten sie im Verhältnis 1 zu 1 zwei Gruppen zu. In einer Gruppe arbeiteten Netzhautspezialisten mit Retina4IRD. In der Kontrollgruppe stellten Spezialisten ihre Genotyp-Priorisierung ohne KI-Unterstützung auf.

Für 295 Personen lagen schließlich auswertbare Berichte der genetischen Sequenzierung vor. Das mediane Alter betrug 33 Jahre; 114 Teilnehmende beziehungsweise 38,6 Prozent waren weiblich. Die Sequenzierung diente als Referenz, anhand derer geprüft wurde, ob die ärztliche Rangliste die bestätigte Kategorie enthielt.

Abbildung 3. Die Studie prüfte nicht nur das Modell, sondern den klinischen Effekt der KI-Unterstützung im Vergleich zu fachärztlicher Diagnostik ohne KI.

Die wichtigsten Ergebnisse

Beim primären Endpunkt lag die Top-5-Genauigkeit in der KI-unterstützten Gruppe bei 88,5 Prozent und in der Kontrollgruppe bei 67,3 Prozent. Das entspricht einer absoluten Verbesserung um 21,2 Prozentpunkte. Der Unterschied war statistisch hochsignifikant.

Auch strengere Ranggrenzen fielen zugunsten von Retina4IRD aus:

Messgröße	Spezialist mit Retina4IRD	Spezialist ohne KI
Top-1-Genauigkeit	37,8 Prozent	22,4 Prozent
Top-4-Genauigkeit	81,8 Prozent	53,1 Prozent
Top-5-Genauigkeit	88,5 Prozent	67,3 Prozent

Abbildung 4. Die KI-Unterstützung verbesserte sowohl die erste Priorisierung als auch breitere Kandidatenlisten. Die Top-1-Leistung blieb deutlich unter der Top-5-Leistung.

Der Abstand bei Top-1 betrug 15,4 Prozentpunkte. Das ist klinisch relevant, zeigt aber zugleich eine Grenze: Selbst mit KI war die bestätigte Kategorie nur bei 37,8 Prozent der Fälle an erster Stelle. Die Stärke des Systems liegt daher gegenwärtig stärker in einer guten Kandidatenliste als in einer alleinigen eindeutigen Diagnose.

Verbesserte Managemententscheidungen

In nachträglichen Analysen untersuchten die Forschenden außerdem, ob die KI-Unterstützung Auswirkungen auf nachgelagerte klinische Entscheidungen hatte. Der zusammengesetzte Managementwert lag mit Retina4IRD bei 37,7 und ohne KI bei 28,5 Punkten. Der Unterschied von 9,2 Punkten war statistisch signifikant.

Ein zusammengesetzter Wert ist allerdings weniger anschaulich als eine direkte klinische Endgröße. Er zeigt, dass Entscheidungen strukturierter oder passender ausfielen, beweist aber noch nicht, dass Sehvermögen, Lebensqualität oder Behandlungszugang langfristig verbessert wurden. Dafür wären weitere prospektive Studien notwendig.

Warum die Studie über eine normale KI-Benchmark hinausgeht

Viele medizinische KI-Arbeiten berichten nachträgliche Modellleistungen. Ein Algorithmus erhält gespeicherte Bilder und seine Vorhersage wird mit einer bekannten Diagnose verglichen. Solche Studien sind wichtig, beantworten aber nicht automatisch die Frage, ob das System Ärztinnen und Ärzten im Alltag hilft.

Eine randomisierte klinische Prüfung untersucht dagegen den Effekt auf den Entscheidungsprozess. Dabei können neue Faktoren auftreten:

• Nutzen Spezialisten den Vorschlag tatsächlich?
• Werden sie durch richtige Hinweise unterstützt oder durch falsche Hinweise abgelenkt?
• Verändert die Rangliste die Auswahl genetischer Untersuchungen?
• Funktioniert das System innerhalb der zeitlichen Abläufe einer Sprechstunde?
• Bleibt die Fachperson in der Lage, den KI-Vorschlag zu korrigieren?

Retina4IRD liefert daher stärkere Evidenz für klinischen Nutzen als eine rein retrospektive Bildklassifikation. Es handelt sich trotzdem noch nicht um einen Nachweis besserer langfristiger Patientenergebnisse.

Einordnung in die Entwicklung der retinalen KI

Die neue Arbeit steht nicht allein. 2025 wurde das System Eye2Gene vorgestellt, das multimodale Netzhautbilder zur Vorhersage von 63 häufigen IRD-Genen nutzt. Es wurde mit Daten von 2.451 Patientinnen und Patienten trainiert und extern an fünf Zentren validiert. Die berichtete Top-5-Genauigkeit lag bei 83,9 Prozent.

Die Systeme lassen sich nicht direkt anhand einer einzigen Prozentzahl vergleichen. Eye2Gene deckte mehr einzelne Gene ab und verwendete andere Modalitäten, Datensätze und Auswertungen. Retina4IRD konzentrierte sich auf 17 Genotyp-Kategorien und ergänzte die Modellentwicklung um eine randomisierte klinische Prüfung.

Gemeinsam zeigen beide Arbeiten einen Trend: Retinale Bildgebung wird zunehmend als phänotypische Signatur verwendet, um genetische Ursachen vorzusortieren. Die KI erkennt dabei nicht die DNA selbst. Sie erkennt sichtbare Folgen genetischer Veränderungen in der Netzhaut.

Was könnte sich für Patientinnen und Patienten ändern?

Schnellere Überweisung an geeignete Zentren

In Regionen mit wenigen IRD-Spezialisten könnte ein Entscheidungssystem helfen, verdächtige Fälle früher zu erkennen und gezielter an genetische Augenambulanzen zu überweisen.

Gezieltere Variantenbewertung

Wenn bei einer Sequenzierung mehrere potenziell relevante Varianten gefunden werden, kann ein bildbasierter Genotypvorschlag die Bewertung unterstützen. Ein passendes Phänotypmuster erhöht nicht automatisch die Pathogenität einer Variante, liefert aber zusätzliche Evidenz.

Bessere Auswahl weiterer Untersuchungen

Eine priorisierte Kandidatenliste kann Hinweise geben, welche Funktionsprüfungen, systemischen Untersuchungen oder Familienanalysen besonders informativ sein könnten.

Zugang zu klinischen Studien

Viele experimentelle Therapien richten sich an ein bestimmtes Gen oder eine bestimmte Mutation. Eine frühere korrekte Diagnose kann den Zugang zu Studien erleichtern, solange noch ausreichend funktionsfähige Netzhautzellen vorhanden sind.

Die wichtigsten Grenzen

Abbildung 5. Eine sichere medizinische KI muss nicht nur gute Ergebnisse liefern, sondern auch ihre vorgesehene Rolle und ihre Grenzen klar definieren.

Nur 17 Kategorien

Die Welt der erblichen Netzhauterkrankungen ist wesentlich größer als die vom System geprüften 17 Kategorien. Seltene Gene, neue Krankheitsgene, atypische Varianten und kombinierte Ursachen können außerhalb des Modells liegen. Eine Klassifikation kann nur jene Kategorien priorisieren, die sie gelernt hat.

Top-5 ist keine Enddiagnose

Die hohe Top-5-Genauigkeit ist für die Priorisierung nützlich, darf aber nicht als 88,5-prozentige autonome Diagnosesicherheit dargestellt werden. An erster Stelle lag die richtige Kategorie in 37,8 Prozent der KI-unterstützten Fälle.

Generalisierung auf weitere Populationen

Training und Validierung umfassten Daten aus mehreren Ländern, was eine Stärke ist. Dennoch müssen Leistung und Kalibrierung in weiteren Gesundheitssystemen, ethnischen Gruppen, Altersbereichen, Geräten und Versorgungsstufen geprüft werden.

Bildqualität und unvollständige Daten

Medizinische Bilder können durch Trübungen, Bewegung, Geräteeinstellungen oder fortgeschrittene Degeneration beeinträchtigt sein. Wenn charakteristische Strukturen bereits weitgehend zerstört sind, kann auch ein leistungsfähiges Modell nur begrenzte Signale nutzen.

Automationsbias

Fachpersonen können einem plausibel wirkenden KI-Vorschlag zu stark vertrauen. Ein falscher Kandidat kann dadurch mehr Einfluss erhalten, als er ohne das System gehabt hätte. Benutzeroberfläche, Unsicherheitsanzeige und Schulung sind deshalb Teil der Sicherheit.

Datenschutz und Modellpflege

Netzhautbilder und genetische Daten sind hochsensible Gesundheitsinformationen. Klinischer Einsatz erfordert Zugriffskontrolle, sichere Speicherung, dokumentierte Modellversionen und Überwachung möglicher Leistungsverschiebungen.

Wie könnte ein sicherer klinischer Einsatz aussehen?

Sicherheitsprinzip	Praktische Umsetzung
Entscheidungshilfe statt Autopilot	Die KI liefert eine Rangliste und Begründungshilfen; der Facharzt dokumentiert die eigene Beurteilung.
Genetische Bestätigung	Therapie- oder Familienentscheidungen werden nicht allein aus der Bildklassifikation abgeleitet.
Erkennung unbekannter Fälle	Das System sollte geringe Sicherheit oder untypische Daten anzeigen können, statt immer eine scheinbar eindeutige Kategorie auszugeben.
Lokale Validierung	Vor dem Einsatz werden Geräte, Bildprotokolle und Patientengruppen des jeweiligen Zentrums geprüft.
Laufende Überwachung	Fehlklassifikationen, Datenverschiebungen und Unterschiede zwischen Untergruppen werden regelmäßig ausgewertet.

Welche Forschung jetzt folgen muss

Die randomisierte Studie beantwortet eine wichtige Frage, eröffnet aber mehrere neue:

• Bleibt der Vorteil in anderen Ländern und weniger spezialisierten Kliniken erhalten?
• Verkürzt Retina4IRD tatsächlich die Zeit bis zur molekularen Diagnose?
• Erhöht das System die diagnostische Ausbeute bei zunächst unklaren genetischen Befunden?
• Verbessert es den Zugang zu Therapien und klinischen Studien?
• Wie reagiert das Modell auf neue Gene und atypische Phänotypen?
• Welche Darstellungsform verhindert Übervertrauen und fördert sinnvolle ärztliche Kontrolle?

Langfristig könnten Bildmodelle, Genomdaten, Familieninformationen und klinischer Verlauf in gemeinsamen Systemen zusammengeführt werden. Dabei wächst allerdings auch die Gefahr, dass Fehlerquellen und Modellabhängigkeiten schwerer durchschaubar werden. Je leistungsfähiger die Systeme werden, desto wichtiger werden prospektive Prüfungen und klare Verantwortlichkeiten.

Fazit

Retina4IRD zeigt, wie medizinische KI einen hochspezialisierten diagnostischen Prozess messbar verbessern kann, ohne die endgültige Verantwortung zu übernehmen. Das System lernte aus Fundusbildern, OCT-Aufnahmen und klinischen Daten genetisch bestätigter Fälle. In der randomisierten Studie erhöhte es die Top-5-Genauigkeit fachärztlicher Genotyp-Priorisierungen von 67,3 auf 88,5 Prozent.

Die wichtigste Leistung liegt nicht in einer automatischen Diagnose, sondern in der Verbindung verschiedener Informationsquellen. Das Modell macht aus komplexen Netzhautmustern eine geordnete Kandidatenliste, die Spezialisten vor der genetischen Testung nutzen können.

Gleichzeitig bleibt die Einordnung entscheidend. Retina4IRD prüft 17 Kategorien, kann unbekannte Ursachen übersehen und erreicht bei der ersten einzelnen Priorisierung 37,8 Prozent. Genetische Sequenzierung, Varianteninterpretation und klinische Bewertung bleiben daher unverzichtbar.

Die Studie markiert dennoch einen wichtigen methodischen Fortschritt: Sie zeigt nicht nur, dass ein Algorithmus Bilder klassifizieren kann, sondern dass eine KI-gestützte Zusammenarbeit mit Fachärztinnen und Fachärzten in einer randomisierten klinischen Prüfung besser abschneidet als die fachärztliche Priorisierung allein. Für seltene Erkrankungen mit knapp verteilter Expertise könnte genau diese Form der Unterstützung besonders wertvoll werden.

Literatur und weiterführende Quellen

1. H. Jia et al.: „AI-based clinician decision support system for diagnosis of inherited retinal diseases: a multicenter, randomized trial“. Nature Medicine (2026). DOI: 10.1038/s41591-026-04545-w.
2. Y. Zhou et al.: „A foundation model for generalizable disease detection from retinal images“. Nature 622, 156–163 (2023). DOI: 10.1038/s41586-023-06555-x.
3. N. Pontikos et al.: „Next-generation phenotyping of inherited retinal diseases from multimodal imaging with Eye2Gene“. Nature Machine Intelligence 7, 967–978 (2025). DOI: 10.1038/s42256-025-01040-8.
4. M. Georgiou et al.: „Phenotyping and genotyping inherited retinal diseases: molecular genetics, clinical and imaging features, and therapeutics“. Progress in Retinal and Eye Research 100, 101244 (2024).
5. A. C. Britten-Jones et al.: „The diagnostic yield of next generation sequencing in inherited retinal diseases: a systematic review and meta-analysis“. American Journal of Ophthalmology 249, 57–73 (2023).
6. B. Vasey et al.: „Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI“. Nature Medicine 28, 924–933 (2022).

Medizinischer Hinweis: Dieser Artikel dient der wissenschaftlichen Information. Er ersetzt keine augenärztliche Untersuchung, humangenetische Beratung oder molekulargenetische Diagnostik. Die im Beitrag beschriebenen Prozentwerte beziehen sich auf die veröffentlichte Studie und nicht auf die individuelle Diagnosewahrscheinlichkeit einer bestimmten Person.

Bild- und Nutzungsnachweis: Das Titelbild und die Abbildungen 1–5 wurden eigens für diesen Blogartikel mit selbst erstelltem Programmcode erzeugt. Es wurden keine Bilder oder Grafiken aus der Fachpublikation, von Kliniken oder von Geräteherstellern übernommen. Die Abbildungen sind für die Verwendung in diesem monetarisierbaren Blog vorgesehen.