MedMind: So baust du eine KI-fähige Medizin-App selbst auf

Ein Entwickler hat sich vorgenommen, eine KI-basierte Anwendung für medizinische Entscheidungsunterstützung komplett selbst zu entwickeln – ohne vorgefertigte APIs oder Tutorials. Stattdessen baut er ein eigenständiges System mit eigenem Sprachmodell, Suchfunktion und Bereitstellung. Dieser Artikel beschreibt den ersten Schritt: die Einrichtung der gesamten Umgebung, bevor auch nur eine Zeile Machine-Learning-Code geschrieben wird.

Warum der Aufbau eines echten KI-Systems sinnvoll ist

Viele KI-Projekte – besonders im akademischen Bereich – beschränken sich darauf, bestehende Modelle wie GPT-4 über APIs anzubinden und in einer Benutzeroberfläche darzustellen. Zwar lassen sich damit schnell Prototypen erstellen, doch das vermittelt kein tiefes Verständnis für die zugrundeliegenden Technologien.

Der Entwickler hinter MedMind verfolgt einen anderen Ansatz: Statt eines Wrapper-Skripts wollte er lernen, wie Sprachmodelle tatsächlich trainiert werden, wie Retrieval-Augmented Generation (RAG) funktioniert und wie eine KI-Anwendung in der Praxis bereitgestellt wird. Sein Ziel war es, ein funktionsfähiges System für klinische Entscheidungsunterstützung zu bauen – von der Datensammlung bis zur Benutzerinteraktion.

Die Architektur von MedMind: Eine vollständige KI-Pipeline

Das System soll medizinische Fragen beantworten, indem es eine Datenbank mit Fachwissen durchsucht und eine Antwort auf Basis eines trainierten Modells generiert. Die gesamte Architektur umfasst mehrere Komponenten:

• Datensammlung und -aufbereitung: Ein echter medizinischer Datensatz wird heruntergeladen und für das Training vorbereitet.
• Feinabstimmung eines Sprachmodells: Das Modell wird auf medizinische Prüfungsfragen trainiert, um Fachwissen zu verarbeiten.
• RAG-Pipeline: Eine Vektordatenbank durchsucht medizinische Dokumente, während das Modell präzise Antworten formuliert.
• Evaluation: Das Modell wird systematisch getestet, um Zuverlässigkeit und Genauigkeit zu gewährleisten.
• Bereitstellung: Ein FastAPI-Backend stellt die KI-Funktionen über eine REST-API bereit.
• Benutzeroberfläche: Eine Streamlit-App ermöglicht die einfache Interaktion mit dem System.

Schritt-für-Schritt: Die Entwicklungsumgebung einrichten

Bevor es ans eigentliche Programmieren geht, steht die Einrichtung der technischen Umgebung an. Entscheidend ist hier die Wahl der richtigen Python-Version, da viele Machine-Learning-Bibliotheken spezifische Anforderungen haben.

Der Entwickler entschied sich für Python 3.11, da PyTorch und die Hugging Face-Bibliotheken hier die beste Kompatibilität bieten. Anschließend wurde eine isolierte Umgebung mit venv erstellt, um Konflikte mit anderen Projekten zu vermeiden.

python -m venv venv
# Windows
venv\Scripts\activate

Nach der Aktivierung der virtuellen Umgebung wurden die wichtigsten Bibliotheken installiert:

• torch – die Grundlage für neuronale Netze und Deep Learning
• transformers – Zugriff auf vortrainierte Modelle wie OPT, Mistral und LLaMA
• peft – effizientes Feinabstimmen von Modellen mit LoRA (Low-Rank Adaptation)
• trl – vereinfacht das Anpassen von Modellen für Instruktionsbasiertes Lernen
• accelerate – optimiert die Ausführung auf verschiedenen Hardware-Konfigurationen
• chromadb – eine Vektordatenbank für die Speicherung und Suche medizinischer Dokumente
• sentence-transformers – wandelt Text in Vektoren um, um semantische Suchen zu ermöglichen
• fastapi und uvicorn – für den Aufbau des Backend-Servers
• streamlit – für die Erstellung der Benutzeroberfläche

Projektstruktur: Ordnung von Anfang an

Ein gut organisiertes Projekt spart später viel Zeit. Der Entwickler legte folgende Verzeichnisstruktur an:

medmind/
├── data/          # Skripte zur Datensammlung und -bereinigung
├── training/      # Code für das Feinabstimmen des Modells
├── rag/           # Implementierung der RAG-Pipeline
├── eval/          # Evaluation und Metriken
├── api/           # FastAPI-Backend für die Bereitstellung
└── frontend/      # Streamlit-Oberfläche

Jeder Ordner ist einer spezifischen Aufgabe zugeordnet, sodass Änderungen und Erweiterungen später leichter zu handhaben sind.

Training ohne eigene GPU: Cloud-Lösungen nutzen

Trainingsprozesse für Sprachmodelle erfordern erhebliche Rechenleistung – besonders eine leistungsstarke Grafikkarte. Da der Entwickler über keinen leistungsstarken PC verfügte, griff er auf Google Colab mit einer kostenlosen T4-GPU zurück.

Diese Vorgehensweise ist in der KI-Community weit verbreitet, da sie auch ohne teure Hardware den Einstieg ermöglicht. Für größere Projekte können später spezialisierte Cloud-Dienste wie AWS oder Azure genutzt werden.

Fazit: KI-Entwicklung als Lernprozess verstehen

Der Aufbau von MedMind zeigt, dass ein vollständiges KI-System nicht nur aus einem vortrainierten Modell und einer API besteht. Stattdessen erfordert es ein tiefes Verständnis für Datenaufbereitung, Modellanpassung, Retrieval-Mechanismen und Bereitstellung in der Produktion.

Dieser erste Schritt – die Einrichtung der Umgebung – mag unscheinbar wirken, bildet jedoch die Grundlage für alles Weitere. Wer ähnliche Projekte angehen möchte, sollte sich bewusst sein, dass Geduld und strukturiertes Vorgehen entscheidend sind. Die nächsten Schritte werden zeigen, wie das trainierte Modell in der Praxis funktioniert und wie die Integration in eine echte Anwendung gelingt.