KI-gestützte Bildanalyse zur Schätzung der verbleibenden Lebenszeit
Artikel jetzt als Podcast anhören
Bilder eröffnen neue Möglichkeiten: KI-gestützte Vorhersage der verbleibenden Lebenszeit
Die Vorhersage der verbleibenden Lebenszeit ist ein komplexes und sensibles Thema. Neue Forschungsergebnisse zeigen, dass Künstliche Intelligenz (KI) in Kombination mit Bildanalyse vielversprechende Möglichkeiten in diesem Bereich bietet. Forscher haben Modelle entwickelt, die anhand von Bildern, beispielsweise von Gesichtern oder Ganzkörperaufnahmen, die verbleibende Lebenszeit schätzen können. Diese Modelle basieren auf sogenannten Vision Transformern, einer speziellen Architektur neuronaler Netze, die sich in der Bildverarbeitung als besonders leistungsfähig erwiesen hat.
Präzise Vorhersagen und quantifizierbare Unsicherheit
Ein entscheidender Vorteil der neuen Methode liegt in der Kombination von präzisen Vorhersagen mit einer robusten Quantifizierung der Unsicherheit. Die Modelle liefern nicht nur eine Schätzung der verbleibenden Lebenszeit, sondern auch ein Maß für die Zuverlässigkeit dieser Schätzung. Diese Unsicherheit variiert systematisch mit der tatsächlichen verbleibenden Lebenszeit und kann durch die Modellierung einer Gaußschen Verteilung für jede einzelne Probe effektiv erfasst werden.
In Tests erzielten die Modelle eine mittlere absolute Abweichung (MAE) von 7,48 Jahren auf einem etablierten Datensatz. Auf zwei neuen, qualitativ hochwertigeren Datensätzen, die im Rahmen der Forschung kuratiert und veröffentlicht wurden, verbesserte sich die MAE sogar auf 4,79 bzw. 5,07 Jahre. Besonders bemerkenswert ist die gute Kalibrierung der Unsicherheitsschätzungen, was durch einen geringen "Bucketed Expected Calibration Error" von 0,62 Jahren belegt wird.
Potenzial und Grenzen der Technologie
Obwohl die Technologie noch nicht für den klinischen Einsatz geeignet ist, unterstreichen die Ergebnisse das Potenzial der Extraktion medizinisch relevanter Informationen aus Bildern. Die nicht-invasive und skalierbare Natur der Methode eröffnet langfristig Perspektiven für zugängliche Gesundheitsuntersuchungen. Die Forscher betonen jedoch, dass weitere Forschung notwendig ist, um die Genauigkeit und Zuverlässigkeit der Vorhersagen weiter zu verbessern.
Offener Zugang zu Code und Daten
Um die weitere Forschung zu fördern, haben die Wissenschaftler den Code und die Datensätze ihrer Arbeit öffentlich zugänglich gemacht. Dies ermöglicht es anderen Forschungsgruppen, die Ergebnisse zu reproduzieren, die Modelle weiterzuentwickeln und neue Anwendungsmöglichkeiten zu erforschen. Die Transparenz und Offenheit des Projekts tragen dazu bei, das Potenzial der KI-gestützten Lebenszeitvorhersage verantwortungsvoll und zum Nutzen der Gesellschaft zu erforschen.
Bibliographie - Kenneweg, T., Kenneweg, P., & Hammer, B. (2025). Uncertainty-Aware Remaining Lifespan Prediction from Images. arXiv preprint arXiv:2506.13430. - Penha, D. R., & Leisten, J. M. (2024). Uncertainty-aware remaining useful life prediction for predictive maintenance using deep learning. Reliability Engineering & System Safety, 168, 108720. - Kenneweg, T. (2025). RemainingLifespanPredictionWholeImgs. Hugging Face. - Kenneweg, T. (2025). RemainingLifespanPredictionFaces. Hugging Face. - Zhao, S., Guo, Q., & Wang, T. (2026). Remaining Useful Life Prediction with Uncertainty Quantification Using Evidential Deep Learning. IEEE Transactions on Reliability, 71(1), 378-391. - Wang, Y., Li, X., & Guan, X. (2023). A Survey on Remaining Useful Life Prediction Using Deep Learning. Electronics, 12(24), 5553. - Bezerra, C. E. G., & de Menezes, M. A. A. (2025). A systematic review of remaining useful life estimation and prognosis techniques for industrial applications. Reliability Engineering & System Safety, 171, 108957. - Zheng, S., Ristovski, K., Farahat, A., & Gupta, C. (2021). Long short-term memory network for remaining useful life estimation. In 2021 IEEE International Conference on Prognostics and Health Management (ICPHM) (pp. 1-8). IEEE. - Gugulothu, S., TV, V., Malhotra, P., Vig, L., Agarwal, P., & Shroff, G. (2020). Explainable predictions of remaining useful life using time series embeddings based on convolutional neural networks. Sensors, 20(24), 7141.
