Googles KI für Hauterkrankungen: Erkennungsgenauigkeit stieg in kontrollierter Studie von 8 % auf 23 %

Mehr als die Hälfte aller Erwachsenen nutzt das Internet zur Suche nach Gesundheitsinformationen, und jeder Dritte greift bereits auf KI-Chatbots zurück. Das Problem liegt nicht in der Verfügbarkeit von Informationen — es liegt im Verständnis und in der korrekten Interpretation des Gefundenen. Googles Forschungsteam veröffentlichte am 12. Juni 2026 die Ergebnisse zweier komplementärer Studien, die untersuchen, ob ein visuelles KI-Tool zur Erkennung von Hauterkrankungen diese Lücke schließen kann.

Kann KI Patienten wirklich helfen zu verstehen, was sie auf der Haut haben?

Die Antwort aus dem kontrollierten Versuch lautet: Ja, aber mit einem wichtigen Vorbehalt.

Randomisierte Studie mit 2.345 Teilnehmern

Die quantitative Studie, veröffentlicht in der Zeitschrift JAMA Dermatology, umfasste 2.345 Teilnehmer, die in drei Gruppen aufgeteilt wurden. Die Kontrollgruppe nutzte Standard-Websuchen. Die KI-Gruppe erhielt Zugang zu einem Interface-Prototyp, der 3 bis 7 gerankte Krankheitsvorhersagen zusammen mit Fotos aus der medizinischen Literatur und Symptombeschreibungen generiert. Eine dritte Gruppe — die sogenannte Wizard-of-Oz-Gruppe — erhielt dieselben Ausgaben, die jedoch im Hintergrund von einem Dermatologen verifiziert wurden.

Die Ergebnisse sind eindeutig: Die KI-Gruppe erreichte eine Genauigkeit bei der Benennung von Erkrankungen von 23 %, gegenüber 8 % in der Kontrollgruppe — ein Anstieg, den die Autoren als „nahezu dreifach” beschreiben. Die Wizard-of-Oz-Gruppe erreichte 36 %, was zeigt, dass über die aktuellen KI-Fähigkeiten hinaus noch Verbesserungspotenzial besteht. Auch die Bereitschaft der Nutzer stieg: 62 % der KI-Tool-Nutzer waren bereit, die Erkrankung zu benennen, verglichen mit 41 % in der Kontrollgruppe.

Doch ein Befund wirft sofort einen Schatten auf den Enthusiasmus: Bei der Beurteilung der richtigen medizinischen Maßnahmen (Sofortarzt notwendig, abwarten oder Selbstbehandlung ausreichend?) zeigte die KI-Gruppe keine signifikante Verbesserung gegenüber der Kontrolle. Die Forscher stellen fest, dass Nutzer die Dringlichkeit eines Eingreifens sogar etwas häufiger unterschätzten. „Was als nächstes zu tun ist” bleibt eine ungelöste Frage.

Qualitative Studie in einer realen Gemeinschaft

Eine Parallelstudie, präsentiert auf der Konferenz ACM CHI 2026, begleitete 110 Teilnehmer aus unterrepräsentierten Gemeinschaften — in Zusammenarbeit mit dem Stanford HEA3RT Laboratory und Santa Clara Family Health Plan. Die App war in vier Sprachen verfügbar, und die Teilnehmer nutzten sie für reale, aktive Hautprobleme.

Klinische Bewerter bestätigten die Relevanz des Tools: 86 % der Kliniker, die die KI-Vorhersagen überprüften, beurteilten sie als mit ihrer eigenen Einschätzung für validierte Fälle übereinstimmend. Darüber hinaus erklärten 92 % der Kliniker, dass die App in der klinischen Praxis nützlich für sie wäre. Die visuelle Übereinstimmung — die Möglichkeit für Nutzer, Fotos ähnlicher Erkrankungen zu sehen — erwies sich als entscheidend für die Akzeptanz des Tools, insbesondere in Bevölkerungsgruppen mit geringerer Gesundheitskompetenz.

Der Datensatz hinter der Forschung ist SCIN (Skin Condition Image Network), den Google mit Schwerpunkt auf demografischer Vielfalt einschließlich verschiedener Hauttöne zusammengestellt hat — um das bekannte Problem medizinischer KI-Tools zu adressieren, die historisch überwiegend auf helleren Hauttönen trainiert wurden.

Was bedeutet das in der Praxis

Das von Google beschriebene Tool ist nicht für die Diagnose gedacht — das betonen die Forscher ausdrücklich. Ziel ist es, den Nutzer zu informieren: ihm Vokabular, visuellen Kontext und Symptomverständnis zu bieten, das ihm im Gespräch mit einem Arzt oder bei der informierten Entscheidung hilft, ob er überhaupt einen Arzt aufsuchen sollte.

In diesem Kontext ist der Sprung von 8 % auf 23 % Erkennungsgenauigkeit nicht trivial. Für den durchschnittlichen Nutzer ohne medizinisches Vokabular verändert die Möglichkeit, zumindest ungefähr zu verstehen, worum es sich handeln könnte, den Ausgangspunkt im Gespräch mit dem Arzt erheblich.

Das offene Problem bleibt jedoch ernst. Ein Tool, das dem Nutzer korrekt sagt „es handelt sich wahrscheinlich um Kontaktdermatitis”, ihn dann aber ohne klare Handlungsempfehlung lässt — sofort zum Arzt, abwarten, in die Apotheke — hat seine Aufgabe nicht vollständig erfüllt. Die Forscher erkennen dies an und identifizieren kontextsensitive, an die Erkrankungsschwere angepasste Handlungsempfehlungen als Schlüsselpriorität für künftige Iterationen.

Die beiden Studien zusammen legen eine solide empirische Grundlage für visuelle KI-Tools in der primären Gesundheitsversorgung — mit einer klaren Roadmap für das, was noch gelöst werden muss.