Wizey vs DeepSeek R1: Hilft Reasoning bei Laborwerten?

Als DeepSeek Anfang 2025 sein Reasoning-Modell R1 veröffentlichte, erschütterte das die KI-Branche. Offene Gewichte unter einer MIT-Lizenz, Preise um eine Größenordnung unter denen der geschlossenen US-Konkurrenz und eine sichtbare Gedankenkette (Chain-of-Thought, CoT – das Modell „denkt laut“, bevor es antwortet) mit einer Mathematikleistung auf Augenhöhe mit den geschlossenen Reasoning-Systemen von OpenAI. Unser Engineering-Team hat es wochenlang auf Herz und Nieren geprüft, um eine Frage zu beantworten: Gehört diese Architektur wirklich in eine medizinische KI-Pipeline?

Die DeepSeek-Familie ist seitdem gewachsen. Im Frühjahr 2026 umfasst die Reihe DeepSeek V4 mit einem hybriden Reasoning-Modus und einem Kontextfenster von 1 Mio. Token, V3.2-Speciale (Goldmedaille bei der IMO 2025) und ein kompaktes R2 mit 32B Parametern, das auf einer einzelnen Consumer-GPU läuft. Die Technik ist wirklich beeindruckend. Aber „beeindruckende Technik“ und „für die Medizin geeignet“ sind nicht dieselbe Aussage.

In diesem Artikel gehe ich die technischen Besonderheiten von DeepSeek R1 und seinen Nachfolgern durch: wie Reasoning trainiert wird, wo offene Gewichte die Spielregeln ändern, warum die Gedankenkette in klinischen Kontexten ein zweischneidiges Schwert ist und wie die strukturierte Pipeline von Wizey im Vergleich abschneidet. Die Grundlagen – wie generalistische LLMs mit Laborbefunden umgehen: RAG, „Lost in the Middle“, Halluzinationen, HIPAA/DSGVO – finden Sie in unserem Grundlagenartikel Wizey vs ChatGPT für medizinische KI.

Was DeepSeek R1 architektonisch besonders macht

Der wichtigste Unterschied ist Reasoning. Ein Standard-LLM arbeitet nach dem Muster „Prompt → Antwort“. R1 erzeugt zunächst eine lange interne Gedankenkette – oft 2.000 bis 10.000 Token – und gibt erst dann die endgültige Antwort aus. Sie können das direkt in der API sehen: Ein <think>-Block zeigt, wie das Modell überlegt – wie eine Lehrkraft, die eine Aufgabe an der Tafel durchrechnet.

Unter der Haube basiert R1 auf DeepSeek V3 mit einem Mixture of Experts (MoE) als Backbone. Das Modell enthält viele spezialisierte „Sub-Modelle“ und leitet jede Anfrage nur an den Teil weiter, den sie tatsächlich braucht – so kommt man bei moderaten Inferenzkosten auf insgesamt Hunderte Milliarden Parameter. Die Reasoning-Fähigkeit selbst wurde nicht durch klassisches überwachtes Finetuning trainiert, sondern durch Reinforcement Learning mit GRPO (Group Relative Policy Optimization), beschrieben in der ursprünglichen DeepSeek-R1-Arbeit auf arXiv und später veröffentlicht in Nature. Vereinfacht gesagt: Dem Modell wurden nicht die „richtigen Antworten“ beigebracht – es wurde dafür belohnt, richtige Antworten zu erreichen, und entdeckte dabei selbstständig Strategien wie Selbstüberprüfung, das Durchspielen von Hypothesen und Backtracking.

Der zweite strukturelle Unterschied sind offene Gewichte. Jede DeepSeek-Veröffentlichung (V3, R1, V3.2, V4, R2) erscheint auf Hugging Face unter einer MIT-Lizenz. Jedes Unternehmen kann die Gewichte herunterladen, auf der eigenen Infrastruktur betreiben, für eine bestimmte Aufgabe feinjustieren und zahlt dem Anbieter nichts für die Inferenz. Für geschlossene Spitzenmodelle (GPT, Claude, Gemini) ist das architektonisch unmöglich.

Wo offene Gewichte wirklich punkten: Datenschutz und On-Premise-Betrieb

Offene Gewichte sind keine Marketing-Rhetorik – sie verändern die Wirtschaftlichkeit und die Compliance-Lage. Genau hier ist DeepSeek meiner Meinung nach am stärksten, und genau hier neigt die gängige Berichterstattung dazu, die Tragweite herunterzuspielen.

Im Cloud-Betrieb – chat.deepseek.com oder die API – sieht der Datenschutz aus wie bei jedem anderen Anbieter: Ihre Daten gehen an die Server von DeepSeek und unterliegen dem chinesischen Datenschutzrecht. Für US-amerikanische oder europäische medizinische Daten ist das eine rote Linie: Weder HIPAA noch DSGVO dulden eine unkontrollierte grenzüberschreitende Verarbeitung geschützter Gesundheitsdaten.

Offene Gewichte ändern das Bild vollständig. Sie können das Modell auf Ihrer eigenen Hardware betreiben – im Rechenzentrum eines Krankenhauses, in einem Forschungslabor, sogar auf dem Arbeitsplatzrechner in einer Arztpraxis – und kein Byte der Patientenakte verlässt jemals Ihren Perimeter. Praktische Hardware-Beispiele:

• DeepSeek-R1-Distill-Llama-8B (destilliert – ein kleineres Modell, das darauf trainiert ist, das große nachzuahmen): etwa 6 GB VRAM, läuft auf einer RTX 3060 oder besser.
• DeepSeek-R1-Distill-32B: rund 20 GB VRAM – RTX 3090, RTX 4090 oder eine T4/A10 der Serverklasse.
• DeepSeek-R1-Distill-70B: rund 40 GB VRAM – zwei RTX 4090 oder eine A100.
• Vollständiges DeepSeek-R1 (671B MoE): ein Server mit mehreren H100/A100 und über 1 TB Gesamtspeicher. Für zu Hause unrealistisch, für ein klinisches Rechenzentrum Alltag.
• R2 mit 32B: passt auf eine einzelne Consumer-RTX-4090 (24 GB VRAM) und erreicht dabei nahezu Spitzenqualität.

Zum Vergleich die geschlossenen Spitzenmodelle: Bei GPT-5 oder Claude Opus können Sie das Modell gar nicht „herunterladen“ – jede Anfrage muss in die Cloud des Anbieters. Mit DeepSeek können Sie Ollama oder vLLM auf einem Server in Ihrem eigenen Netzwerk installieren, ein lokales Frontend anbinden und den gesamten Workflow air-gapped, also vollständig abgeschottet, betreiben. Das ist der einzige praktikable Weg, ein Weltklasse-LLM zu betreiben und dabei HIPAA und DSGVO vollständig einzuhalten – ein echter Vorteil für die IT-Teams von Krankenhäusern, die medizinische KI evaluieren.

Bei Wizey haben wir destillierte R1-Varianten im Rahmen eines internen Forschungsprojekts getestet. Die Qualität liegt unter der der geschlossenen Spitzenmodelle, aber für klar abgegrenzte Aufgaben – anonymisierte Vorverarbeitung, interne Zusammenfassungen – ist das lokale Modell ein brauchbares Werkzeug.

Wo DeepSeek geschlossene Spitzenmodelle schlägt

Damit dies keine einseitige Darstellung wird: R1 und seine Nachfolger sind kein „billiger GPT-Klon“. In mehreren Punkten sind sie objektiv stark.

• Kosten. Die aktuellen Preise von DeepSeek V4 liegen rund eine Größenordnung unter den höchsten Preisstufen von OpenAI und Anthropic. Bei hohem Anfragevolumen ist das der Unterschied zwischen einem Produkt, das auf den Markt kommt, und einem, das es nicht schafft.
• Mathematik und formale Logik. Bei AIME, MATH-500, SWE-bench und GPQA Diamond ziehen R1/R2 mit den Reasoning-Modellen von OpenAI gleich. Für die Medizin ist das relevant: eGFR-Berechnungen, gewichtsbasierte Dosierung, Einheitenumrechnungen – das sind mathematische Aufgaben, bei denen CoT wirklich hilft.
• Transparenz des Reasonings. Der CoT-Verlauf wird an die aufrufende Anwendung zurückgegeben, sodass Sie nachvollziehen können, wo die Logik entgleist ist. Die o-Modelle von OpenAI verbergen ihr Reasoning hinter der API.
• Anpassbarkeit durch Finetuning. Weil die Gewichte offen sind, können medizinische Forschungsgruppen das Vortraining fortsetzen und RLHF auf verifizierten klinischen Korpora betreiben. Für geschlossene Modelle ist das strukturell unmöglich.

Das sind echte Vorteile. Die Frage ist, ob sie in der Summe ein Werkzeug in klinischer Qualität ergeben – und genau hier wird die Sache kompliziert.

Reasoning vs. Halluzination: Hilft die Gedankenkette in der Medizin?

Das ist die Kernfrage dieses Artikels – und der Punkt, bei dem ich als Ingenieur die gemischtesten Gefühle habe.

Die gute Nachricht. Die große Studie „Medical Hallucinations in Foundation Models“ aus dem Jahr 2025 stellte fest, dass die Gedankenkette die Rate medizinischer Halluzinationen in 86 % der getesteten Fälle senkte. Im Schnitt macht explizites Reasoning die Antwort tatsächlich genauer. R1 lieferte solide Ausgangswerte bei der Halluzinationsresistenz – besser als die meisten Modelle der Vorgängergeneration.

Die schlechte Nachricht. CoT verschleiert zugleich das Halluzinationssignal. Klassische Erkennungsmethoden – Konfidenz auf Token-Ebene, Ausgabe-Entropie – funktionieren nicht mehr gut, weil das Modell flüssigen, in sich schlüssigen Text schreibt, selbst wenn die Schlussfolgerung falsch ist. Die Analyse der Grenzen von ChatGPT im klinischen Umfeld von The Lancet Digital Health hat bereits gezeigt, dass ein selbstsicherer Ton ein schlechter Indikator für die medizinische Richtigkeit ist. Reasoning-Modelle verstärken das.

Die richtig schlechte Nachricht. Analysen von KI-Halluzinationen aus dem Jahr 2025 laufen auf einen bestimmten Befund hinaus: Sprachmodelle greifen mit rund 34 % höherer Wahrscheinlichkeit zu selbstsicheren Formulierungen („definitiv“, „ohne Zweifel“, „eindeutig“) – und zwar genau dann, wenn sie falsch liegen. Reasoning-Modelle verschärfen das: Ein langer, durchdacht wirkender Verlauf lässt die endgültige Antwort autoritativer erscheinen, selbst wenn die Gedankenkette in Schritt 3 vom Kurs abkommt und dann noch 2.000 Token lang schlüssig in die falsche Richtung läuft.

In der Medizin ist das der kritische Fehlermodus. Stellen Sie sich vor: Das Modell „schlussfolgert“ 3.000 Token lang über Ihre erhöhte alkalische Phosphatase, baut eine elegante Differentialdiagnose rund um mögliche Ursachen auf und landet am Ende bei einer Osteomalazie – weil es in Schritt 3 der Gedankenkette den Referenzbereich für Erwachsene mit dem für Kinder verwechselt hat. Die Ausgabe liest sich wie die Notiz einer beratenden Ärztin. Sie ist falsch. Ohne CoT hätte dasselbe Modell vielleicht eine vagere, weniger selbstsichere Antwort gegeben – und Patientinnen und Patienten würden eher nachhaken, statt sich auf die Schlussfolgerung zu versteifen.

Der Zielkonflikt ist real: Reasoning senkt die durchschnittliche Halluzinationsrate, erhöht aber die Überzeugungskraft der verbleibenden Halluzinationen. Für rein technische Aufgaben (Mathematik, Code) ist das ein akzeptabler Kompromiss. In der Medizin sind die Kosten eines Fehlers asymmetrisch – und das verändert die Rechnung.

Szenariotest: dasselbe Laborpanel bei R1 und bei Wizey

Konkret – ein Szenario, das ich während der technischen Evaluierung durchgespielt habe.

Das Panel: ein reales (anonymisiertes) kombiniertes Panel: umfassender Stoffwechsel + großes Blutbild + Ferritin + TSH + freies T4 + CRP + Homocystein + Vitamin D + B12 + Lipidprofil, insgesamt 47 Marker. Mehrere Auffälligkeiten: Ferritin erhöht auf 320 ng/mL, CRP mäßig erhöht auf 8,5 mg/L, TSH nahe der Obergrenze bei 4,1 mIU/L, Homocystein 14 µmol/L.

DeepSeek R1 über die Chat-Oberfläche (Englisch, die stärkste Sprache des Modells):

1. CoT von etwa 4.500 Token, das jeden Marker durchgeht und Assoziationen aufbaut.
2. Endgültige Schlussfolgerung: stufte Ferritin als „mögliche Eisenüberladung oder chronische Entzündung“ ein, verknüpfte es korrekt mit dem CRP, schlug aber Hämochromatose als Differentialdiagnose erster Wahl (eine seltene genetische Erkrankung) allein aufgrund eines einzelnen Ferritinwerts vor.
3. Interpretierte TSH 4,1 als „im Normbereich“ und übersah, dass 4,1 zusammen mit grenzwertigem Homocystein und Entzündung eine Abklärung mit anti-TPO-Antikörpern und eine Kontrolle nach 6–8 Wochen rechtfertigt – die Standardabklärung einer subklinischen Hypothyreose.
4. Homocystein 14 wurde nicht als beachtenswert markiert (viele Labore werten < 10 als optimal).
5. Das Modell fügte wiederholt die Standardfloskel „Konsultieren Sie eine medizinische Fachkraft“ ein, stellte zwischen diesen Hinweisen aber sehr konkrete Hypothesen in selbstsicherem Ton auf.

Dasselbe Panel durch die Wizey-Pipeline:

1. Alle 47 Marker wurden in eine strukturierte Tabelle überführt und gegen alters- und geschlechtsspezifische Referenzbereiche geprüft.
2. Ferritin bei erhöhtem CRP korrekt interpretiert: zuerst eine Entzündung ausschließen (Verhalten als Akutphasenprotein), dann eine Eisenüberladung in Betracht ziehen. Eine Hämochromatose wird erst nach bestätigender Transferrinsättigung und Gentest aufgeworfen – nicht aufgrund eines einzelnen Ferritinwerts.
3. TSH 4,1 als grenzwertig hervorgehoben, mit einer ausdrücklichen Empfehlung, zusätzlich anti-TPO-Antikörper zu bestimmen.
4. Homocystein 14 als leicht erhöht markiert, mit Verweis auf den B12-/Folsäure-/B6-Stoffwechselweg und der Empfehlung, diese Kofaktoren zu überprüfen.
5. Jede Aussage ist an eine konkrete Quelle im medizinischen Wissensgraphen gebunden (klinische Leitlinien, NCBI-StatPearls-Referenzen zu Akutphasenproteinen, Übersichtsarbeiten in Nature Medicine).

Der Unterschied ist nicht, dass DeepSeek „dümmer“ wäre – es ist ein leistungsfähiges Modell. Der Unterschied ist, dass ein generalistisches Reasoning-Modell keine eingebauten Leitplanken für die Einheitenumrechnung, die Auswahl des Referenzbereichs oder eine bayesianische Hierarchie diagnostischer Hypothesen hat. Es schlussfolgert. Wizey folgt Protokollen – und setzt Reasoning nur dort ein, wo ein geprüftes Protokoll Reasoning für angemessen erklärt.

Wann DeepSeek R1 das richtige Werkzeug ist

Ich möchte fair bleiben. Es gibt mehrere Szenarien, in denen DeepSeek – vor allem lokal betrieben – wirklich die richtige Wahl ist:

• Abgeschottete (air-gapped) Klinik- oder F&E-Umgebungen. Wenn Ihre Organisation strenge Datenschutzanforderungen hat, liefert ein lokales R1-Distill-32B oder R2 auf dem eigenen Server nahezu Spitzenqualität, ohne ein einziges Byte an Dritte zu senden. Das ist der praktikabelste Weg zu HIPAA-/DSGVO-Konformität mit einem hochmodernen LLM.
• Basis für domänenspezifisches Finetuning. Offene Gewichte erlauben es medizinischen Forschungsgruppen, das Vortraining auf validierten klinischen Korpora fortzusetzen und eigene RLHF-Stacks aufzubauen. Diese Option gibt es bei geschlossenen Modellen nicht.
• Technische Teilaufgaben innerhalb einer medizinischen Pipeline. Dosisberechnungen, Einheitenumrechnung, Risiko-Scores wie CHA2DS2-VASc oder Wells – isolierte Mathematik-/Logikmodule, bei denen Reasoning hilft. Nutzen Sie es als Baustein, nicht als „Arzt“.
• Übersetzung und Erklärung von Fachbegriffen – hier ist das Modell auf Augenhöhe mit den Spitzensystemen.
• Kostensensible Workloads – wenn Sie Millionen von Anfragen verarbeiten müssen, wächst der Preisunterschied gegenüber geschlossenen Spitzenmodellen auf Zehntausende Dollar pro Monat.

Was ich nicht tun würde: das Labor-PDF eines echten Patienten in den Cloud-Chat von DeepSeek einfügen und die Ausgabe als klinische Antwort behandeln. Zwischen der grenzüberschreitenden Datenübermittlung, dem Fehlermodus der überzeugenden, aber falschen Gedankenkette, der fehlenden Zulassung als Medizinprodukt und der mangelnden Disziplin bei den Referenzbereichen ist das für den Consumer-Anwendungsfall schlecht geeignet. Für einen Patienten, der „den Befund an einen Bot schicken und eine Antwort bekommen“ möchte, ist ein eigens dafür entwickelter medizinischer Dienst das richtige Werkzeug.

Wie Wizey Reasoning nutzt – im Protokoll, nicht anstelle eines Protokolls

Die Frage, die mir am häufigsten gestellt wird: Nutzt Wizey intern ebenfalls Reasoning? Ja – aber eingeschränkt. Unsere Pipeline sieht so aus:

1. OCR und Extraktion. Jeder Wert im PDF wird deterministisch ausgelesen und einem strukturierten Schema (im LOINC-Stil) mit dem laborspezifischen Referenzbereich zugeordnet.
2. Bindung an den Referenzbereich. Jeder Wert wird gegen den korrekten Bereich für Alter, Geschlecht und (wo relevant) Schwangerschafts- oder Nierenstatus der Patientin oder des Patienten geprüft. Das ist Code, keine LLM-Ausgabe.
3. RAG über einen validierten klinischen Wissensgraphen. Jede Aussage im endgültigen Bericht ist in einer konkreten Quelle verankert – Leitlinie, begutachtete Fachpublikation, StatPearls-Eintrag – nicht in freier Generierung.
4. Reasoning für diagnostische Ketten, innerhalb von Leitplanken. Hier zahlt sich CoT-artiges Denken aus: der Aufbau einer bayesianischen Differentialdiagnose, bei der A-priori-Wahrscheinlichkeit und Likelihood aus dem Wissensgraphen stammen, nicht aus der Meinung des Modells.
5. Protokollgebundene Ausgaben. Der endgültige Text ist an das strukturierte Ergebnis gebunden. Das Modell darf keine Diagnose erfinden, die das Protokoll nicht zulässt.

Diese Architektur erreicht zweierlei zugleich. Sie nutzt den echten Vorteil des Reasonings – schrittweise diagnostische Logik, einheitensichere Berechnungen, das Erkennen von Zusammenhängen zwischen Markern – und schneidet zugleich den spezifischen Fehlermodus ab, der ein reines Reasoning-Modell in der Medizin riskant macht: eine lange, überzeugende, in sich schlüssige Gedankenkette, die falsch ist, weil die Prämissen nie überprüft wurden.

Fazit

DeepSeek ist technisch beeindruckende Arbeit, und ich bin ehrlich froh, dass die Branche eine Open-Source-Alternative zu den geschlossenen Spitzenmodellen hat. Der lokale Betrieb eröffnet Möglichkeiten für Datenschutz und Finetuning, die Nutzern geschlossener Modelle schlicht fehlen – und das ist wichtig für Krankenhäuser, Forschungsgruppen und alle, denen Datenhoheit ernsthaft am Herzen liegt.

Aber Reasoning allein löst das medizinische Problem nicht. Eine lange, gut geformte Gedankenkette auf falschen Prämissen ist immer noch eine falsche Antwort – nur besser verpackt. Für die Aufgabe, die Laborwerte eines konkreten Patienten zu lesen, bei der jede Zahl, jeder Referenzbereich und jede Differentialdiagnose zählt, hat das Wizey-Team einen anderen Weg gewählt: eine spezialisierte Pipeline mit RAG über verifizierte klinische Quellen und harten Protokoll-Leitplanken. Für die Patientin oder den Patienten bedeutet das ein konkretes Versprechen – jede Aussage im Bericht lässt sich einer Ärztin oder einem Arzt vorlegen und auf eine Quelle zurückführen.