On-Device-Psychiatrie-KI: Gemma, Phi und Qwen arbeiten ohne Cloud-Datenübertragung

Ein Forschungsteam unter der Leitung von Eranga Bandara mit 11 Mitarbeitern veröffentlichte am 20. April 2026 auf arXiv eine Arbeit, die eine mobile Anwendung zur psychiatrischen Unterstützung beschreibt, die vollständig lokal läuft, ohne Daten in die Cloud zu senden.

Drei kleine Modelle statt eines großen

Das System verwendet drei quantisierte und feinabgestimmte Sprachmodelle: Gemma, Phi-3.5-mini und Qwen2. Alle laufen lokal auf dem mobilen Gerät, und eine Orchestrierungsschicht koordiniert ihr Ensemble-Inferenz und Konsensus-Schlussfolgern. Statt sich auf ein einzelnes großes Cloud-Modell zu verlassen, ergänzen und überprüfen sich die kleineren Modelle gegenseitig, was die Zuverlässigkeit der diagnostischen Bewertungen erhöht. arXiv ist ein offenes Archiv wissenschaftlicher Preprints der Cornell University. Die erste Evaluierung zeigt, dass die On-Device-Version eine mit Cloud-Versionen vergleichbare Genauigkeit mit Echtzeit-Latenz auf Standard-Mobilhardware erzielt.

DSM-5-Bewertungen und klinische Anwendung

Die Anwendung erstellt Bewertungen, die mit der DSM-5-Klassifikation der Amerikanischen Psychiatrischen Vereinigung übereinstimmen. Es gibt zwei Hauptfunktionen: Unterstützung von Klinikern bei der Differentialdiagnose und Symptomkartierung sowie Patienten-Selbstscreening mit Sicherheitsmechanismen, die den Nutzer zur professionellen Hilfe führen. Die Autoren betonen, dass keine Patientendaten das Gerät verlassen, was entscheidend für die Zustimmung sensibler Bevölkerungsgruppen ist.

Warum Datenschutz entscheidend ist

Die Arbeit konzentriert sich auf Kontexte, in denen die Angst vor Datenpreisgabe Menschen davon abhält, Hilfe zu suchen. Beispiele umfassen das Militär, wo eine psychiatrische Diagnose Sicherheitsfreigaben beeinflussen kann; das Strafvollzugssystem, wo Häftlinge zentralen Datenbanken nicht vertrauen; und entlegene oder ländliche Gesundheitsversorgungsumgebungen, in denen keine stabile Internetverbindung besteht. Der Zero-Egress-Ansatz eliminiert dieses Risiko technisch, da Daten niemals für Dritte zugänglich sind und nicht auf dem Weg zu einem externen Server abgefangen werden können. Ein weiterer Vorteil ist die Ausfallsicherheit bei Netzwerkausfällen, die in militärischen und ländlichen Szenarien wichtig ist. Die Autoren merken an, dass die Modellquantisierung der Schlüssel zur praktischen Nutzbarkeit ist, da sie die Ausführung auf Mittelklasse-Smartphones ohne Überhitzung und übermäßigen Batterieentleerung ermöglicht. Die Arbeit ist unter der Creative Commons Attribution 4.0-Lizenz veröffentlicht und fördert die offene wissenschaftliche Validierung der Methode.