KI-Werkzeuge zur Hautkrebsfrüherkennung zeigen Unterschiede bei dunkleren Hauttönen
KI-gestützte Werkzeuge zur Erkennung von Hautkrebs weisen erhebliche Genauigkeitsunterschiede je nach Hautfarbe auf. Forschungen zeigen, dass Modelle, die auf hellerer Haut trainiert wurden, bei dunklerer Haut weniger effektiv sind.
Neue künstliche Intelligenz-Werkzeuge zur Erkennung von Hautkrebs zeigen deutliche Leistungsunterschiede, insbesondere in Bezug auf verschiedene Hauttöne. Während diese KI-Anwendungen eine bessere Zugänglichkeit zu medizinischen Screenings versprechen, erweist sich ihre Wirksamkeit über verschiedene Bevölkerungsgruppen hinweg als inkonsistent.
KI-Modelle lernen, Krankheiten anhand visueller Muster zu identifizieren. Studien deuten darauf hin, dass Modelle, die überwiegend mit Bildern von hellhäutigen Patienten trainiert wurden, an Genauigkeit verlieren, wenn sie mit Bildern von dunkelhäutigen Patienten konfrontiert werden. Dieses Problem entsteht, weil die KI fälschlicherweise die Hautfarbe als Abkürzung für die Diagnose nutzen könnte, anstatt sich auf die eigentlichen Merkmale der Hautläsion zu konzentrieren.
Beispielsweise können Erkrankungen wie atopische Dermatitis auf heller und dunkler Haut unterschiedlich erscheinen. Eine KI erkennt möglicherweise zuverlässig Symptome auf heller Haut, aber nicht auf dunkler Haut. Diese Diskrepanz kann zu sub-optimaler Versorgung für Menschen mit dunkleren Hauttönen führen. Dies ist besonders kritisch, da bestimmte Hautkrebsarten wie Melanome auf pigmentierter Haut schwieriger zu erkennen sind.
Forscher haben festgestellt, dass selbst große Sprachmodelle wie GPT-4 gutartige Muttermale als malignes Melanom falsch klassifizieren können, wenn sie vor dem Hintergrund dunklerer Hauttöne dargestellt werden. Dies kann zu unnötiger Patientenangst führen oder im Gegenteil dazu, dass lebensbedrohliche Krebsarten übersehen werden.
Die verzerrte Natur der KI-Trainingsdaten ist ein Hauptgrund für diese Voreingenommenheit. Medizinische Bilddatenbanken und Lehrbücher enthielten historisch mehr Bilder von hellhäutigen Personen. Um dies zu beheben, sind vielfältigere Datensätze mit einer erheblichen Anzahl von Bildern von Patienten mit verschiedenen Hauttönen erforderlich. Generative KI-Techniken können eingesetzt werden, um synthetische Bilder zu erstellen, Trainingsdatensätze zu erweitern und die Privatsphäre der Patienten zu schützen.