Forscher des Worcester Polytechnic Institute entwickelten ein maschinelles Lernmodell, das MRT-Scans aus 95 Gehirnregionen analysiert, um die Alzheimer-Krankheit mit nahezu 93% Genauigkeit zu erkennen, wobei der Volumenverlust des Hippocampus als wichtiger früher Biomarker identifiziert wurde.
Microsoft hat Copilot Health gestartet, einen dedizierten KI-Gesundheitsbegleiter, der Wearable-Daten von mehr als 50 Geräten und Aufzeichnungen von über 50.000 US-Krankenhäusern über HealthEx integriert und die KI des Unternehmens in Richtung medizinischer Superintelligenz für alltägliche Patienten positioniert.
Nature veröffentlicht das bahnbrechende DeepRare-KI-System, das klinische Daten und genetische Informationen nutzt, um seltene Erkrankungen zu diagnostizieren und damit für Patienten jahrelange diagnostische Odysseen beendet.
Das KI-gestützte digitale Stethoskop von Eko Health zeigte in klinischen Studien eine Sensitivität von 92,3% bei der Erkennung von moderaten bis schweren Klappenerkrankungen des Herzens und damit fast das Doppelte der 46,2% Genauigkeit traditioneller Stethoskopuntersuchungen.
Forschungen des Mount Sinai zeigen, dass KI-LLMs medizinische Fehlinformationen in 32–46 % der Fälle glauben, insbesondere wenn diese als Expertenrat präsentiert werden.
Forschung der Universität Oxford zeigt, dass KI-Chatbots inkonsistente medizinische Ratschläge geben, was es den Nutzern erschwert, vertrauenswürdige Gesundheitsinformationen zu erkennen.
Forscher der Harvard-Universität veröffentlichen das Basis-Modell BrainIAC in Nature Neuroscience, das Demenz, Schlaganfall und Krebs aus 48.900 MRT-Scans vorhersagt.
Utah hat sich mit dem Health‑Tech‑Startup Doctronic zusammengetan, um ein KI‑System zu starten, das nach klinischen Bewertungen autonom etwa 200 gängige Medikamente verlängern wird. Die Initiative wirft grundlegende Fragen zur Aufsichtsbefugnis der FDA auf, da Doctronic behauptet, sein KI‑Arzt benötige keine behördliche Zulassung.
Dieses Deep-Learning-Tool liefert eine bisher unerreichte 3D-Visualisierung von Haarzellen in der Cochlea und fördert die Forschung zu Therapien gegen Hörverlust.
MIT-Forscher zeigen, dass leistungsstärkste Machine-Learning-Modelle bei Anwendung in neuen Datenumgebungen zu den leistungsschwächsten werden können und somit versteckte Risiken durch falsche Korrelationen in der medizinischen KI und anderen kritischen Anwendungen offenbaren.
