Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind7. Mai 2016 · Q001919

Announcing DeepMind Health research partnership with Moorfields Eye Hospital

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

DeepMind kündigt mit Moorfields ein Forschungsprojekt an, das maschinelles Lernen zur Auswertung von Augenaufnahmen bei diabetischer Retinopathie und AMD untersuchen soll. Der Beitrag beschreibt eine Million anonymisierte historische Scans, betont den NHS-Datenschutz und nennt mögliche Vorteile für die künftige Versorgung, berichtet aber noch keine Ergebnisse.

Mittel

Der Beitrag kündigt eine Forschungskooperation zwischen DeepMind und dem Moorfields Eye Hospital an. Untersucht werden sollen diabetische Retinopathie und altersbedingte Makuladegeneration. DeepMind zufolge erschweren komplexe, zeitaufwendig auszuwertende Augenaufnahmen und OCT-Scans eine schnelle Diagnose und Behandlungsplanung. Das Projekt soll prüfen, ob maschinelles Lernen diese Scans effizient analysieren und dadurch frühere Erkennung und Behandlung unterstützen kann.

Moorfields sollte dafür eine Million anonymisierte, im Rahmen der Routineversorgung gesammelte Augenaufnahmen sowie begrenzte anonyme Informationen zu Erkrankung und Behandlung bereitstellen. Laut Beitrag lassen sich daraus keine Patienten identifizieren. Die Aufnahmen seien historisch und könnten die Versorgung der betroffenen Patienten nicht beeinflussen; mögliche Auswirkungen beträfen allenfalls künftige Versorgung. DeepMind erklärt, dass die Daten dem NHS gehören und ihre Verwendung klaren Regeln unterliegt. Das Unternehmen berichtet, das Forschungsprotokoll zur offenen Begutachtung eingereicht zu haben, und kündigt Veröffentlichungen in begutachteten Fachzeitschriften an. Der Text enthält noch keine Forschungsergebnisse: Frühere Diagnosen und bessere Versorgung werden als mögliche Ziele beschrieben, nicht als nachgewiesene Wirkung.

Ausführlich lesen

Der Beitrag kündigt eine medizinische Forschungskooperation zwischen DeepMind und dem Moorfields Eye Hospital NHS Foundation Trust an. Nach Darstellung von DeepMind war es das erste medizinische Forschungsprojekt des Unternehmens mit einem NHS Trust. Anlass sei die Kontaktaufnahme des Moorfields-Augenarztes Pearse Keane gewesen. Untersucht werden sollen diabetische Retinopathie und altersbedingte Makuladegeneration (AMD), die laut Beitrag zusammen mehr als 625.000 Menschen im Vereinigten Königreich und über 100 Millionen weltweit betreffen.

DeepMind beschreibt die klinische Herausforderung so: Fachleute werteten digitale Aufnahmen des Augenhintergrunds und OCT-Scans aus, um diese Erkrankungen zu erkennen und die Behandlung festzulegen. Die Bilder seien komplex und ihre Auswertung zeitaufwendig; herkömmliche Computeranalyse könne sie bislang nicht vollständig erschließen. Das Forschungsvorhaben solle prüfen, ob maschinelles Lernen die Scans effizient und zuverlässig analysieren und dadurch frühere Erkennung und Behandlung unterstützen sowie eine Verschlechterung bei Patienten verringern könne. Der Beitrag nennt als Hintergrund unter anderem eine Schätzung, wonach frühe Erkennung und Behandlung 98 Prozent der schweren diabetesbedingten Sehverschlechterungen verhindern könnten, sowie steigende AMD-Zahlen. Diese Angaben werden im Beitrag mit Quellenverweisen und Anmerkungen versehen.

Für die Untersuchung sollte Moorfields nach Angaben des Beitrags eine Million anonymisierte Augenaufnahmen sowie einige zugehörige anonyme Informationen über Augenerkrankungen und deren Behandlung weitergeben. Die Daten seien im Laufe der routinemäßigen Versorgung gesammelt worden. DeepMind erklärt, dass sich daraus keine einzelnen Patienten identifizieren ließen. Es handle sich außerdem um historische Aufnahmen; die Forschungsergebnisse könnten daher möglicherweise die künftige Versorgung verbessern, aber nicht die damalige Behandlung der Patienten beeinflussen.

Der Beitrag betont, dass die Daten dem NHS gehörten und DeepMind sie nicht besitze. Für ihre Nutzung gälten klare Regeln; diese seien von den Regeln für die direkte Patientenversorgung im Projekt mit dem Royal Free Hospital getrennt, aber ebenso streng. DeepMind berichtet außerdem, das Forschungsprotokoll zur offenen Begutachtung eingereicht zu haben, und kündigt an, Ergebnisse in begutachteten Fachzeitschriften vorzulegen, damit die medizinische Fachwelt sie prüfen könne.

Der Text kennzeichnet das Vorhaben als frühe Forschungsarbeit und äußert sich optimistisch über mögliche spätere Anwendungen maschinellen Lernens in der Augenheilkunde. Er berichtet jedoch keine Ergebnisse der Untersuchung. Die genannten Verbesserungen sind Ziele oder mögliche Wirkungen, keine im Beitrag belegten Behandlungserfolge. Die beschriebenen Daten und Aussagen stammen aus der Ankündigung von DeepMind; der Text selbst liefert keine unabhängige Bewertung der Methode oder ihrer Wirksamkeit.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna fasst den Bericht im Kern treu zusammen; die Kurz- und Mittelfassung enthalten keine erkennbar erfundenen Angaben. Mängel betreffen Auslassungen von Zahlen, Initiator und Einordnung als erstes NHS-Projekt, sowie die Formulierung begrenzte anonyme Informationen, die im Original nur als some related anonymous information steht.

Im Bericht, aber nicht in der Zusammenfassung

  • Pearse Keane als Initiator der Zusammenarbeit
  • Zahlen zu Verbreitung: mehr als 625.000 Betroffene in Großbritannien und über 100 Millionen weltweit bei diabetischer Retinopathie und AMD
  • Diabetes-Kennzahlen: jeder 11. Erwachsene weltweit betroffen, 25-fach erhöhtes Risiko für Sehverlust, 98 % Vermeidbarkeit schwerer Sehverluste bei früher Behandlung
  • AMD als häufigste Blindheitsursache in Großbritannien mit fast 200 Betroffenen pro Tag
  • Einordnung als erstes medizinisches Forschungsprojekt von DeepMind mit einem NHS-Trust
  • Abgrenzung zur Zusammenarbeit mit dem Royal Free Hospital

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 31 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 42 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 31 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 44 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 39 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 48 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 46 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege
Beteiligung und Gemeinwohl
  1. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 35 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 56 %einzelne zitierbare Belege
    • JEV 59 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
  3. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 38 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →