LONDON (IT BOLTWISE) – Eine neue KI-Methodik berechnet nicht nur ein globales „Brain Age“-Signal, sondern erstellt räumliche Karten für jedes Hirnareal. Forschende trainierten ein Deep-Learning-Modell mit 14.748 MRT-Datensätzen und testeten es anschließend an 1.985 Personen aus einem Alzheimer-Datenprojekt. Dabei zeigt sich, dass das Gehirn nicht gleichmäßig altert: Die rechte Hemisphäre wirkt im Mittel biologisch älter als die linke. In Alzheimer- und mild kognitiv beeinträchtigten Gruppen treten zudem deutlich stärkere regionale Abweichungen in früh betroffenen Strukturen auf.
Die Frage, ob das Gehirn mit dem Alter „gleichmäßig“ altern kann, bekommt durch eine neue KI-gestützte Auswertemethode einen deutlich differenzierteren Blick: Statt eines einzelnen globalen Brain-Age-Werts berechnet das Forschungsteam eine lokale biologische Hirnalter-Karte für nahezu jedes Volumen-Segment im MRT. Der Ausgangspunkt ist der bekannte Ansatz, die optische Ähnlichkeit des Gehirns mit „älteren“ oder „jüngeren“ Mustern als Proxy für biologische Alterung zu nutzen. Neu ist hier die Auflösung: Regionen werden nicht nur mitgemeint, sondern räumlich getrennt betrachtet, wodurch sich Muster früh lokalisierter Veränderungen besser identifizieren lassen sollen.
Technisch setzt das Modell auf strukturelles Magnetresonanztomografie-Material (MRI), das mit hoher Detailtiefe genutzt wird, um biologisches Altern indirekt über Bildmerkmale abzubilden. Das Team trainierte sein System mit MRTs von 14.748 kognitiv gesunden Erwachsenen im Alter von 19 bis 100. Entscheidend ist dabei weniger nur die Vorhersage-Genauigkeit, sondern die Interpretierbarkeit: Das Modell soll aus einem strukturellen MRT eine räumliche Verteilung von „local brain age“ ableiten, die sich direkt wieder auf anatomische Strukturen zurückführen lässt. Diese Zielsetzung adressiert ein konkretes Problem früherer Ansätze: Ein globaler Score kann regionale Unterschiede „wegmitteln“ und damit die Detektion lokalisierter Schäden erschweren.
Beim Test mit 1.985 Probanden aus dem Alzheimer’s Disease Neuroimaging Initiative zeigte sich zunächst, dass das System bei gesunden Menschen im Mittel etwa 5,9 Jahre danebenliegt – ein Wert, der für sich genommen noch nicht klinisch ist, aber eine konsistente Bildsignal-basierte Schätzung bestätigt. Interessanter werden die Muster: In den Auswertungen wirkten frontale und temporale Areale biologisch älter als stärker „hinten“ gelegene Regionen wie visuelle Verarbeitungskerne im Okzipitallappen. Auch auf der Ebene der Großhirnrinde (Cortex) fanden die Forschenden Differenzen zwischen den Furchen (Sulci) und den Windungen (Gyri): Die Sulci erschienen im Mittel 0,40 Jahre „älter“ als die Gyri. Solche Ergebnisse sind für die praktische Arbeit relevant, weil sie zeigen, dass die lokalen Karten nicht nur eine mathematische Verfeinerung sind, sondern anatomisch nachvollziehbare Bildvariationen abbilden.
Zusätzlich berichtet die Studie über eine Asymmetrie zwischen den Hemisphären: Das rechte Gehirn zeigte im Mittel eine fortgeschrittenere lokale biologische Alterung als die linke. Der Befund blieb bestehen, als das Modell erneut trainiert bzw. getestet wurde, um Unterschiede zwischen links- und rechtshändigen Personen besser auszugleichen. Diese Art von „robustem“ Muster ist wissenschaftlich wertvoll, weil sie den nächsten Prüfschritt ermöglicht: Welche biologischen oder entwicklungsbezogenen Faktoren erzeugen die unterschiedliche Strukturdynamik? Auf Modellebene ist das noch keine Ursache-Wirkung-Erklärung, aber es liefert einen konkreten Kandidaten für weitergehende Analysen – etwa im Zusammenspiel mit vaskulären Faktoren, Stoffwechselparametern oder anderen Biomarkern.
Der klinische Mehrwert zeigt sich besonders im Gruppenvergleich: Personen mit Alzheimer bzw. mild kognitiver Beeinträchtigung wiesen in spezifischen Regionen, die in der Neurodegeneration früh betroffen sind, ältere lokale Brain-Age-Werte auf. Bei Alzheimer-Patienten lagen subkortikale Strukturen wie Pallidum und Putamen mit etwa 3,5 bis 3,6 Jahren größeren Brain-Age-Gaps im Mittel weiter auseinander als bei kognitiv gesunden Probanden. Auch der Hippocampus, der für die Bildung neuer Erinnerungen zentral ist, erschien in der Alzheimer-Gruppe im Mittel mehr als drei Jahre „älter“. Solche regionalen Abweichungen sind nicht nur diagnostisch spannend; sie können auch helfen, die räumliche Biologie von Krankheitsverläufen besser zu verstehen, indem sie Veränderungen dort „verorten“, wo sie zu erwarten sind.
Für die Einordnung der Ergebnisse ist zudem die Brücke zu funktionellen Messgrößen wichtig. Die Studie untersucht, wie lokal ältere Regionen mit kognitiver Leistung und Alltagsfunktion zusammenhängen: Bei Alzheimer-Patienten korrelierte ein älterer local brain age in Arealen wie dem rechten Pallidum deutlich mit schlechteren Resultaten in allgemeinen kognitiven Screening-Tests sowie mit einer Kennzahl für alltägliche Funktionsfähigkeit. In der mild kognitiv beeinträchtigten Gruppe waren diese Zusammenhänge wesentlich schwächer, bei kognitiv gesunden Personen weitgehend nicht vorhanden. Genau diese Abstufung macht deutlich, dass die Methode nicht einfach „Lautstärke“ misst, sondern möglicherweise gezielter auf krankheitsnahe Strukturveränderungen reagiert.
Trotzdem bleiben wichtige Grenzen: Die KI wurde auf Forschungs-MRTs mit typischerweise deutlich höherer Bildqualität trainiert als sie in vielen Routine-Settings im Krankenhaus üblich ist. Ob und wie stabil die lokalen Karten auf niedriger aufgelöste Daten übertragen werden können, ist laut Studie noch offen. Außerdem liefert eine einzelne Aufnahme keinen sicheren Schluss darauf, ob jemand in Zukunft tatsächlich ein demenzielles Krankheitsbild entwickelt; dafür fehlen längsschnittliche Wiederholungsmessungen. Die Autoren positionieren local brain age daher primär als Forschungswerkzeug: Der nächste Schritt ist die longitudinalen Validierung, um zu klären, ob lokale Brain-Age-Gaps als Frühindikator für künftige kognitive Verläufe dienen können. Die Arbeit (“Deep learning maps local brain aging in relation to cognition across human adulthood“) stammt von Nikhil N. Chaudhari, Owen M. Vega Huerta, Samayan Bhattacharya, Nahian F. Chowdhury, Andrei Irimia sowie Beteiligten aus der Alzheimer’s Disease Neuroimaging Initiative und markiert damit einen konsequenten Weg von „Globalwerten“ hin zu räumlich interpretierbarer Bildgebung mit KI.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-gestützte „Local Brain Age“ macht altersbedingte Unterschiede in Hirnregionen sichtbar" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-gestützte „Local Brain Age“ macht altersbedingte Unterschiede in Hirnregionen sichtbar" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-gestützte „Local Brain Age“ macht altersbedingte Unterschiede in Hirnregionen sichtbar« bei Google Deutschland suchen, bei Bing oder Google News!