Große Sprachmodelle wie ChatGPT werden zunehmend als Unterstützung in der Medizin diskutiert. Sie können Informationen zusammenfassen, Diagnosen vorschlagen und ihre Einschätzungen in einfacher Sprache begründen. Gerade darin liegt ein zentrales Versprechen solcher Systeme: Sie liefern nicht nur eine Diagnose, sondern können auch erklären, warum eine Diagnose zutreffend ist. Doch ob solche Erklärungen Ärztinnen und Ärzten tatsächlich helfen – und welche Form besonders nützlich ist – ist bislang unklar.

Ein Forschungsteam der LMU München, des LMU Klinikums, des Karlsruher Instituts für Technologie und der Universität Bayreuth hat nun untersucht, wie unterschiedliche Formen von KI-Erklärungen die diagnostische Genauigkeit in der Radiologie beeinflussen. In einem randomisierten Experiment beurteilten 101 Radiologinnen und Radiologen reale klinische Fälle mit radiologischen Bildern, etwa aus der Computertomographie (CT) oder der Magnetresonanztomographie (MRT), und sollten jeweils eine Diagnose als Freitext formulieren. 

Die Teilnehmenden wurden zufällig vier Gruppen zugeteilt: eine arbeitete ohne KI-Unterstützung, drei weitere erhielten unterschiedliche Hinweise eines multimodalen Sprachmodells. Die KI gab entweder nur eine Diagnose, eine Differentialdiagnose oder eine schrittweise „Chain-of-Thought“-Erklärung aus. Letztere erläuterte Bildmerkmale, klinische Hinweise und Ausschlusskriterien nachvollziehbar und half Ärztinnen und Ärzten besonders dabei, die Empfehlung mit ihrem Fachwissen abzugleichen.

„Für die klinische Praxis ist es nicht ausreichend, wenn ein KI-System nur eine plausibel klingende Antwort gibt“, sagt Hoppe. „Ärztinnen und Ärzte müssen nachvollziehen können, welche Hinweise für eine Diagnose sprechen und wo mögliche Unsicherheiten liegen.“

Die Studie zeigt: Radiologinnen und Radiologen erzielten die höchste diagnostische Genauigkeit mit schrittweisen KI-Erklärungen – die Trefferquote lag 12,2 Prozentpunkte über der Kontrollgruppe ohne KI. Einfache Diagnoseausgaben und Differentialdiagnosen schnitten schlechter ab. Besonders bei fehlerhaften KI-Vorschlägen folgten Teilnehmende der Differentialdiagnose häufiger, was auf Automationsbias hindeutet. Schritt-für-Schritt-Erklärungen halfen dagegen, korrekte Hinweise gezielter zu übernehmen und Fehler eher zu erkennen.

Die Ergebnisse legen nahe, dass nicht allein die Qualität der Diagnose entscheidend ist, sondern auch die Form der Erklärung. Schrittweise Begründungen machen die Argumentation des Modells sichtbarer und erleichtern den Abgleich mit dem eigenen Fachwissen.

Differentialdiagnosen sind in der Medizin wichtig. In der Interaktion mit Sprachmodellen können sie jedoch mehrere Diagnosen nennen und so den Eindruck erwecken, der diagnostische Raum sei bereits vollständig abgedeckt. Das kann dazu führen, dass Ärzte bei seltenen oder komplexen Fällen weniger über die genannten Diagnosen hinausdenken.

Die Forschenden betonen, dass Sprachmodelle Fehler machen können – sowohl bei Diagnosen als auch bei deren Begründung. KI-Systeme sollten daher nicht als Ersatz für ärztliche Expertise verstanden werden, sondern als unterstützende Werkzeuge.

Gerade schrittweise Erklärungen können dabei helfen, Empfehlungen kritisch zu prüfen und Annahmen der KI sichtbar zu machen. Die Studie zeigt: KI verbessert die diagnostische Leistung vor allem dann, wenn ihre Vorschläge nachvollziehbar präsentiert werden. Knappe Antworten oder reine Listen können dagegen Fehlvertrauen fördern.

Philipp Spitzer, Daniel Hendriks, Jan Rudolph, Sarah Schlaeger, Jens Ricke, Niklas Kühl, Boj Friedrich Hoppe & Stefan Feuerriegel: The effect of medical explanations from large language models on diagnostic accuracy in radiology. In: npj Digital Medicine, Volume 9, Article 33, 2026. https://www.nature.com/articles/s41746-026-02619-0