{"id":41677,"date":"2025-12-09T13:23:31","date_gmt":"2025-12-09T12:23:31","guid":{"rendered":"https:\/\/www.l3s.de\/?page_id=41677"},"modified":"2025-12-16T10:54:53","modified_gmt":"2025-12-16T09:54:53","slug":"ai-driving-innovation-in-medicine","status":"publish","type":"page","link":"https:\/\/www.l3s.de\/de\/magazine\/binaire-articles\/ai-driving-innovation-in-medicine\/","title":{"rendered":"KI als Motor biomedizinischer Innovation\u00a0"},"content":{"rendered":"
\n \n
\n \n \n
\n \n
\n \n
\n \n
\n
\n
\n
\n
<\/div>\n <\/div>\n
\n
<\/div>\n <\/div>\n
\n
<\/div>\n <\/div>\n <\/div>\n \n
\n \n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

\u00a9Das Bild wurde von ChatGPT zu Einzelzell-Grundlagenmodellen generiert.<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Ausgabe: 02\/2025<\/p>\n <\/div>\n <\/div>\n

\n \n
KI-Forschung: Gegenwart und Zukunft<\/span><\/a>\n <\/span>\n <\/div>\n <\/div>\n
\n \n <\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n
\n \n \n
\n \n
\n \n
\n \n \n
Foundation Models in der Biomedizin <\/h6>\n <\/div>\n <\/div>\n
\n \n
\n \n \n

KI als Motor biomedizinischer Innovation <\/h1>\n <\/div>\n <\/div>\n
\n \n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Von der Entschl\u00fcsselung der DNA bis zur klinischen Entscheidungsfindung \u2013 sogenannte Foundation Models, auf Deutsch Grundlagenmodelle, er\u00f6ffnen neue Perspektiven f\u00fcr die biomedizinische Forschung, Diagnostik und Therapie.<\/p>\n

Bekannte Modelle wie ChatGPT, Claude oder DALL\u00b7E haben in k\u00fcrzester Zeit gezeigt, wie leistungsf\u00e4hig moderne KI-Systeme sind. Sie basieren auf sogenannten Transformern \u2013 neuronalen Netzen, die aus riesigen Datenmengen lernen: Inhalte aus dem Internet, lizenzierte Daten, Beitr\u00e4ge von Partnern, kuratierte Materialien wie B\u00fccher, Code oder Fachzeitschriften \u2013 teils auch k\u00fcnstlich erzeugte Daten.<\/p>\n

Das Vortraining ist zeit- und rechenintensiv, doch der Aufwand lohnt sich: Einmal trainiert, lassen sich die Modelle flexibel anpassen \u2013 durch Feinabstimmung oder gezielte Eingaben, sogenannte Prompts. Dadurch k\u00f6nnen sie eine enorme Bandbreite an Aufgaben \u00fcbernehmen: Texte schreiben, Programmfehler finden, Bilder generieren oder komplexe Fragen beantworten. Diese Entwicklung hat auch die biomedizinische Forschung befl\u00fcgelt: Sie adaptiert die Modelle f\u00fcr ihre eigenen Zwecke.<\/p>\n

Fortschritte in Medizin und Biologie<\/strong><\/p>\n

In der Biomedizin lernen Foundation Models, Muster \u00fcber viele Ebenen hinweg zu erkennen \u2013 von klinischen Dokumenten und R\u00f6ntgenbildern bis hin zu Genen, Proteinen und einzelnen Zellen.<\/p>\n