In dieser Studie wurde geprüft, ob große Sprach‑Künstliche‑Intelligenzen (LLMs) bei der Suche nach diagnostischen Biomarkern aus Blut‑RNA‑Daten helfen können. Die Forscher nutzten Daten von Patienten mit verschiedenen Erkrankungen, darunter auch Menschen mit Myalgischer Enzephalomyelitis/Chronischem Fatigue‑Syndrom (ME/CFS). Sie verglichen zwei Vorgehensweisen: (1) Die KI suchte in der Fachliteratur nach Genen, die als mögliche Diagnose‑Marker dienen könnten, und stellte daraus ein Gen‑Panel zusammen. (2) Die KI erstellte eigenständig ein komplettes maschinelles‑Lern‑Modell, das direkt aus den rohen RNA‑Messwerten Klassifikationen erzeugt. Die von den KIs ausgewählten Gene spiegelten typische Immun‑Wege wider und waren besser als zufällig gewählte Gene, jedoch bei ME/CFS schlechter als herkömmliche Analysen, die Unterschiede in der Genexpression (DGE) nutzen. Beim automatischen Modellaufbau erreichte die KI‑Variante für die Unterscheidung von Kawasaki‑Krankheit und MIS‑C dieselbe Genauigkeit wie klassische statistische Methoden, bei TB und ME/CFS war die Leistung leicht darunter. Die Arbeit zeigt, dass LLMs bereits nützlich für die Biomarker‑Suche sein können, aber bei ME/CFS noch
Datenquelle: Diese Zusammenfassung wurde automatisch aus der Originalveröffentlichung erstellt und kann Fehler enthalten. Maßgeblich ist allein die Originalstudie (DOI 10.1101/2025.08.20.671358).