Google Research zeigt, wie offene KI-Modelle die TB-Früherkennung an die Front bringen

Vom Benchmark zum zertifizierten Werkzeug

Tuberkulose fordert nach Angaben von Google Research schätzungsweise 1,23 Millionen Todesopfer pro Jahr. Ein zentraler Engpass sei die Radiologie: In abgelegenen ländlichen Regionen und anderen Gebieten mit hoher Krankheitslast fehlten Radiologen, und bildgebende Infrastruktur sei mitunter tagelang entfernt, sodass viele aktive Fälle unentdeckt blieben.

Googles Arbeit zum Thorax-Röntgen begann mit einem 2019 in Radiology veröffentlichten Benchmark, der zeigte, dass Deep-Learning-Algorithmen aktive Lungen-TB auf dem Niveau erfahrener Radiologen erkennen können. Im August 2021 bewertete die Stop TB Partnership in The Lancet Digital Health Software zur computergestützten Detektion und reihte Googles Modell unter die weltweit leistungsstärksten Algorithmen für das TB-Screening ein. Im selben Jahr empfahl auch die WHO computergestützte Detektion (CAD) für TB-Screening und Triage. Im September 2024 veröffentlichte NEJM AI eine prospektive Validierung an mehreren Standorten, die laut Google zeigte, dass KI-gestütztes Screening in unterschiedlichen Patientengruppen eine hohe Sensitivität beibehält.

Um die sogenannte Translationslücke zu schließen, tat sich Google mit Nexus AI zusammen, einem Medizintechnikunternehmen aus Pretoria. Nexus AI machte aus den Algorithmen ein klinisches Diagnosewerkzeug und erreichte die EU-MDR-Zertifizierung der Klasse IIb sowie die Konformität mit ISO 13485. Zudem unterzeichnete das Unternehmen eine Vereinbarung mit FIND, um die WHO-Präqualifikation anzustreben, parallel zu einem laufenden Weg in Richtung Zulassung durch die US-amerikanische FDA.

Einsätze von Kliniken bis in eine tiefe Goldmine

Das Gerät von Nexus AI prüft Thorax-Röntgenbilder laut Google in nur 45 Sekunden auf Lungenerkrankungen wie TB. Das Werkzeug ist in rund 40 Gesundheitseinrichtungen in Südafrika, Sierra Leone und der Elfenbeinküste im Einsatz, Erweiterungen in der Demokratischen Republik Kongo, Sambia und Kamerun laufen. Mehr als 90 Klinikerinnen und Kliniker haben über 25.000 Thorax-Röntgenaufnahmen ausgewertet, die Bearbeitungszeiten sanken von Wochen auf unter 45 Sekunden. Die endgültigen Entscheidungen treffen weiterhin die Ärzte. Nexus AI hat mehr als 3.000 kostenlose Screenings an unterversorgte öffentliche Kliniken geliefert, Ziel sind 10.000 geförderte Screenings pro Jahr.

In der Mponeng-Goldmine in Südafrika, einer der tiefsten Minen der Welt, arbeitete Nexus AI mit der Stop TB Partnership, Harmony Gold Mine und dem südafrikanischen Gesundheitsministerium zusammen. Ultraportable digitale Röntgensets und Offline-KI kamen vier Kilometer unter Tage zum Einsatz. Bergleute werden vor Ort binnen Sekunden untersucht, bei Verdacht auf TB kann sofort zur molekularen Bestätigungsdiagnostik überwiesen werden, sodass Screening, Triage und Bestätigung in einem einzigen Besuch möglich sind.

Offene Modelle: MedSigLIP, MedGemma und Indonesien

Eine Lösung mit nur einem Partner könne die weltweite TB-Last nicht bewältigen, so Google, und setzte deshalb über Health AI Developer Foundations (HAI-DEF) auf offene Grundlagen. Das Unternehmen stellte seine Embeddings für Thorax-Röntgenbilder sowie MedSigLIP als Open Source bereit, ein schlankes Vision-Language-Modell, das medizinische Bilder mit klinischer Sprache verknüpft. Entwickler können Bilder mit Labels in Alltagssprache klassifizieren oder durchsuchen oder das Modell mit einer kleinen Zahl lokaler Beispiele feinjustieren. So lassen sich spezialisierte Modelle auf bescheidenen regionalen Datensätzen und ohne enorme Rechenleistung bauen.

Außerdem veröffentlichte Google MedGemma, eine Familie multimodaler Modelle mit offenen Gewichten in den Konfigurationen 4B und 27B Parameter. Laut Google kombiniert sie radiologische Befunde mit der Krankengeschichte, beantwortet Fragen von Klinikern in natürlicher Sprache und läuft lokal auf dem Gerät ohne Internetzugang. Seit dem Start sei MedGemma mehr als 10 Millionen Mal heruntergeladen worden.

Indonesiens Gesundheitsministerium, das mit der zweithöchsten TB-Last der Welt konfrontiert ist, will jährlich 50 Millionen Bürgerinnen und Bürger untersuchen. Eine manuelle Auswertung sei nicht machbar, und proprietäre Cloud-Software werfe Probleme bei der Datenresidenz auf, so Google. Das Ministerium justiert stattdessen MedGemma und MedSigLIP mit heimischen Thorax-Röntgenaufnahmen feiner. Da die Modelle auf lokaler Infrastruktur laufen, bleiben die Patientendaten innerhalb der Landesgrenzen.

Husten-basiertes Screening mit HeAR

Für Orte, die Röntgentechnik nicht erreicht, entwickelte Google Research außerdem Health Acoustic Representations (HeAR). Das Modell wurde mit über 300 Millionen Audiosegmenten trainiert und ermöglicht ein nicht-invasives akustisches Screening anhand von Hustengeräuschen, die mit dem Mikrofon eines handelsüblichen Smartphones aufgenommen werden. Laut Google wird HeAR in gemeinsamen Forschungsprojekten in Subsahara-Afrika eingesetzt, darunter mit CIDRZ in Sambia.

Was das bedeutet

Das Update zeigt einen Weg von veröffentlichter Forschung über regulierte Produkte bis zu offenen Werkzeugen, die Gesundheitssysteme selbst anpassen können. Für Regionen mit hoher Krankheitslast liegen die behaupteten Vorteile in schnellerer Triage und in Screening, das offline funktioniert. Für Regierungen bieten Modelle mit offenen Gewichten die Möglichkeit, nationale Programme aufzubauen und Patientendaten im Land zu halten. Die meisten Zahlen, darunter Bearbeitungszeiten und Download-Zahlen, stammen von Google und seinem Partner Nexus AI.