Constructor University testet KI für Krebsbehandlung Wenn die KI besser schweigt

Quelle: Pressemitteilung 2 min Lesedauer

Anbieter zum Thema

Eine KI, die Behandlungen empfiehlt, muss auch erkennen, wann die Datenlage dafür nicht reicht. Forschende der Constructor University haben das an Eierstockkrebs-Daten getestet. Das System verzichtete in 99,4 Prozent der Fälle auf eine Empfehlung. Das Projekt steckt noch in einem frühen Stadium.

Die Constructor University forscht daran, wann eine KI-Empfehlung in der Krebsbehandlung verlässlich genug ist.(Bild:  Constructor University)
Die Constructor University forscht daran, wann eine KI-Empfehlung in der Krebsbehandlung verlässlich genug ist.
(Bild: Constructor University)

Wie kann Forschung zu Lieferketten in der Autoindustrie etwas zur Krebsbehandlung beitragen? Für Ishansh Gupta, Lecturer und Postdoktorand an der Constructor University, liegt die Antwort in der kausalen KI. Sie geht über die reine Mustererkennung hinaus. Sie untersucht, warum Muster entstehen, und hilft vorherzusagen, was eine Veränderung bewirkt.

Ishansh Gupta ist Dozent und Postdoktorand an der Constructor University.(Bild:  Constructor University)
Ishansh Gupta ist Dozent und Postdoktorand an der Constructor University.
(Bild: Constructor University)

Von der Lieferkette zur Medizin

Gupta hat im Automobilbereich geforscht, unter anderem zu Lieferantenrisiken in Zusammenarbeit mit der BMW Group. Die Frage, ob dieselbe Methode auch in der Medizin hilft, kam 2025 bei den Lindauer Nobelpreisträgertagungen auf. Gupta wurde dort gefragt, welches Fach außerhalb der Wirtschaft sein Leben am meisten beeinflusst habe. Seine Antwort: die Medizin, der Beruf beider Eltern. «Wenn wir kausale KI nutzen können, um komplexe industrielle Systeme zu verstehen, warum sollten wir nicht ähnliche Ideen in der Medizin erforschen, wo die Konsequenzen weitaus bedeutender sind?», sagt Gupta.

Wann eine KI schweigen sollte

Zusammen mit Prof. Hendro Wicaksono untersuchte Gupta, wie kausale KI und große Sprachmodelle Entscheidungen während der Krebsbehandlung unterstützen können. Ein zentrales Problem: Ein Modell gibt für jede Patientin eine Empfehlung, auch wenn die Evidenz dafür nicht ausreicht. Das Team wollte deshalb wissen, wann ein System eine Behandlungsrichtung nennen darf und wann es die Unsicherheit anerkennen und keine Empfehlung geben sollte.

Die Forschenden nutzten reale Daten zu Eierstockkrebs und simulierten Behandlungszuweisungen und Ergebnisse. Das Ergebnis war eindeutig: Bessere Vorhersagen machen die einzelnen Empfehlungen nicht automatisch zuverlässig. Unter den getesteten Bedingungen verzichtete das System beim gewählten Konfidenzziel in 99,4 Prozent der Fälle auf eine Behandlungsempfehlung. Eine Vorhersage zu liefern sei nicht dasselbe wie Evidenz, die stark genug für eine Entscheidung ist, erklärt Gupta. Kausale KI solle daher auch daran gemessen werden, ob sie erkennt, wann sie keine Antwort geben darf.

Lieferketten: Ursachen statt Ampeln

Die Arbeit zur Lieferkette zeigt den Ansatz im Industrieumfeld. Ein klassisches Vorhersagemodell kennzeichnet einen Lieferanten nach einem Streik oder einer Naturkatastrophe als Hochrisiko. Das kausale Modell verbindet externe Ereignisse mit internen Kennzahlen und zeigt mögliche Wirkungsketten: Störung, Lieferverzögerung, Rückstand, Eskalation. Die Forschenden arbeiteten mit 18 Fachleuten, die zusammen über 300 Jahre Berufserfahrung mitbrachten. Sprachmodelle halfen beim Entwurf der Modelle, die Fachleute prüften sie. In den Simulationen führte eine Reduktion der Lieferanten-Rückstände um 50 bis 70 Prozent zu deutlich geringeren Eskalationsniveaus. Das ist keine Bestätigung für eine reale Lieferkette, zeigt aber, wie sich Maßnahmen vorab prüfen lassen.

Noch im Labor

Beide Projekte laufen als Simulation. Gupta betont, dass die Krebsforschung am Anfang steht. Die nächsten Schritte sind die Zusammenarbeit mit Medizinerinnen und Klinikern, die Prüfung an geeigneten klinischen Daten und später prospektive Studien, sofern sie genehmigt werden. Das Ziel sei nicht, Ärztinnen und Ärzte durch KI zu ersetzen, sondern Werkzeuge zu entwickeln, die komplexe Behandlungsentscheidungen verständlicher machen.

Die Forschung «When Individualized Causal Predictions Are Not Actionable» wird am 10. Dezember 2026 auf der NeurIPS-Konferenz in Sydney präsentiert. Gupta sieht darin einen Workshop-Beitrag, der hoffentlich der Anfang einer größeren Forschungsrichtung ist.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung