Skurril: Bierkonsum laut KI über Röntgen erkennbar

MÜNCHEN (IT BOLTWISE) – KI erkennt Bierkonsum an Knie-Röntgenbildern: ein skurriles Beispiel für die Risiken des Shortcut-Learning.

Künstliche Intelligenz revolutioniert zunehmend die medizinische Diagnostik. Doch ein Experiment zeigt, dass KI-Systeme nicht nur relevante Muster erkennen, sondern auch absurde Korrelationen ziehen können. Forschende haben herausgefunden, dass KI anhand von Knie-Röntgenbildern überraschend treffsicher vorhersagen kann, ob eine Person Bier trinkt oder Bohnenmus isst – obwohl solche Verbindungen medizinisch völlig unsinnig sind.

Shortcut-Learning: Die Abkürzung zum Fehler
Hinter diesem Phänomen steht das sogenannte „Shortcut-Learning“. Dabei nutzen KI-Modelle nicht die eigentlichen medizinischen Zusammenhänge, sondern greifen auf zufällige, oberflächliche Muster zurück. Ein Team des Dartmouth-Hitchcock Medical Centers testete diese Eigenschaft, indem es ein KI-Modell mit 18.000 Knie-Röntgenbildern trainierte, ergänzt durch Lebensstilinformationen der Patienten. Die KI sollte anhand der Bilder vorhersagen, ob jemand Bier konsumierte oder Bohnenmus aß – eine medizinisch absurde Fragestellung.

Trotzdem war die KI bemerkenswert treffsicher: Sie erreichte eine Trefferquote von 63 % für Bohnenmus und 73 % für Bier. „Diese Ergebnisse zeigen, dass KI-Systeme selbst die absurdesten Zusammenhänge finden, wenn sie dazu angeregt werden“, erklärt Studienleiter Peter Schilling.

Warum klappt das?
Die KI nutzte nicht direkt das Knie, sondern andere, versteckte Daten wie den Aufnahmeort oder demografische Informationen. Selbst wenn diese Faktoren entfernt wurden, blieb die KI erstaunlich genau. „Es ist wie die Kommunikation mit einem Außerirdischen: Wir verstehen nicht immer, wie die KI denkt“, so der Erstautor Brandon Hill.

Wichtige Lektionen für die Zukunft
Dieses Experiment unterstreicht, wie wichtig es ist, KI-Systeme kritisch zu prüfen und sicherzustellen, dass sie nicht auf irrelevante Muster zurückgreifen. Die Forschenden fordern strengere Kontrollmechanismen, um Fehlschlüsse zu vermeiden und die wissenschaftliche Integrität zu wahren.