Blick ins Hirn: KI macht Neuroimaging zuverlässiger
Anhand von fMRT-Daten des Gehirns unter anderem Depressionen, kognitiven Verfall oder andere Erkrankungen des Gehirns vorherzusagen, ist Ziel vieler Forschungsvorhaben. Ob das zuverlässig gelingen kann, war Gegenstand einer breiten Debatte. Zusammenhänge sind zwar nachweisbar, aber oft so schwach, dass jeweils Tausende Teilnehmende benötigt werden, um reproduzierbare Effekte zu erkennen.
Künstliche Intelligenz könnte dieses Problem lösen, so ein kürzlich in Nature veröffentlichter Kommentar von Dr. Tamás Spisák, Leiter des Predictive Neuroimaging Lab am Universitätsklinikum Essen, Prof. Ulrike Bingel, Leiterin des Zentrums für Schmerzmedizin am Universitätsklinikum Essen und Prof. Tor Wager, Direktor des Brain Imaging Center in Dartmouth Collage, Hanover, USA. Sie konnten zeigen, dass hochmoderne Algorithmen zur Mustererkennung (sogenanntes „maschinelles Lernen“) auch bei moderaten Stichprobengrößen verlässliche Ergebnisse liefern können. In ihrem Artikel beziehen sich die Forschenden aus Dartmouth und der Universitätsmedizin Essen auf eine frühere Analyse von gehirnweiten Assoziationsstudien, die von Scott Marek von der Washington University School of Medicine, Brenden Tervo-Clemmens vom Massachusetts General Hospital/Harvard Medical School und Kolleg:innen durchgeführt wurde.1 In dieser früheren Studie fanden die Forschenden nur sehr schwache Assoziationen zwischen einer eine Reihe von Merkmalen in mehreren großen Hirnbildgebungsstudien und kamen deshalb zu dem Schluss, dass Tausende von Teilnehmern erforderlich wären, um diese Assoziationen zu entdecken. Spisak, Bingel und Wager zeigen jetzt, dass Modelle, bei denen mehrere Hirnareale zusammen und nicht isoliert betrachtet werden, einen wesentlich leistungsfähigeren Ansatz für Neuroimaging-Studien bieten. Solche Modelle lassen sich mit Hilfe von KI realisieren und können Vorhersageeffekte erzielen, die viermal größer sind als beim Testen isolierter Hirnareale. Mit solchen Ansätzen sind reproduzierbare Studien mit wesentlich weniger Teilnehmenden möglich. Es sei wichtig die Grenzen, aber auch die Chancen von bildgebenden Verfahren in der Hirnforschung realistisch darzustellen, da dies nicht nur die unmittelbare wissenschaftliche Community, sondern auch die öffentliche Wahrnehmung und letztlich Förderung dieser Forschungsrichtung beeinflusse.
—
1 Marek S et al. Nature 603, 654–660.
DOI: 10.1038/s41586-022-04492-9
Quelle: Medizinische Fakultät der Universität Duisburg-Essen
