LONDON (IT BOLTWISE) – Eine neue KI-gestützte Auswertung von Hirnscans zeigt, wie eine übermäßige Gewichtung von Vorwissen bei der Gesichtsverarbeitung bereits Jahre vor einer depressiven Symptomatik erkennbar sein kann. Die Forschenden modellieren dabei die visuelle Informationsverarbeitung als Zusammenspiel zweier neuronaler Pfade. Aus diesem Rechenmodell leiten sie einen quantitativen Marker ab, der in einer Folgeuntersuchung vier Jahre später besonders gefährdete Personen vorhersagte. Der Ansatz wird zudem mit genetischen Daten und einem separaten klinischen Datensatz abgeglichen.
Depressive Störungen entwickeln sich selten von heute auf morgen. Genau deshalb suchen Forschungsteams nach biologischen Signaturen, die nicht erst bei klaren Symptomen greifen, sondern früher Hinweise liefern. In der Studie „Deep learning reveals a neurocomputational mechanism predicting depression risk in adolescents“ verbindet ein Team aus Han Lu und Qiang Luo die Auswertung funktioneller MRT-Daten mit einem Deep-Learning-Modell. Im Zentrum steht dabei nicht nur die Frage, welche Hirnregionen bei Depressionen auffallen, sondern wie sich eine bestimmte Rechenstrategie der Wahrnehmung bereits vor dem Ausbruch emotionaler Probleme zeigt.
Technisch betrachtet dreht sich die Arbeit um die Rolle der visuellen Verarbeitung unter Einfluss von Vorwissen. Das Grundnarrativ lautet: Unser Gehirn konstruiert emotionale Erlebnisse nicht ausschließlich aus Rohdaten, sondern nutzt gespeicherte, abstrakte Konzepte, um die Wahrnehmung zu beschleunigen und zu steuern. Wenn diese Steuerung „zu stark“ wird, kann sie die tatsächlichen visuellen Details überdecken. Die Forschenden testen diese Hypothese, indem sie in den Daten nach einem Muster der visuellen Verzerrung suchen, das auftritt, wenn das Gehirn soziale Bedrohungssignale bei der Interpretation von Gesichtern verarbeitet – und zwar so, dass daraus schon früh ein rechnerischer Bias entstehen kann.
Für die empirische Basis nutzten die Autorinnen und Autoren funktionelle MRT-Scans aus der IMAGEN-Kohorte mit 1.332 Teilnehmenden im Alter von 19 Jahren. Die Probandinnen und Probanden sahen kurze Video-Sequenzen, in denen Gesichter von neutral zu „wütend“ wechselten. Funktionelle MRT misst dabei den Blutfluss bzw. die entsprechenden Aktivitätsmuster als indirektes Abbild neuronaler Aktivität. Aus diesen Daten extrahierte ein Machine-Learning-Algorithmus eine mathematische Repräsentation dessen, wie der visuelle Kortex die wütenden Gesichter codiert. Die Gruppe wurde anschließend nach der Effizienz dieser Codierung in ein Profil mit typischer, hoch effizienter visueller Kodierung und ein Profil mit ineffizienter, „noisy“ Verarbeitung aufgeteilt.
Die Unterschiede waren nicht nur statistisch, sondern inhaltlich anschlussfähig: Jugendliche aus der weniger effizienten Gruppe berichteten höhere Ausprägungen emotionaler Symptome wie Angst und gedrückte Stimmung über klinische Fragebögen. Das legt nahe, dass eine degradierte visuelle Repräsentation von emotionalen Gesichtsausdrücken mit emotionalem Distress verknüpft ist. Um den Mechanismus hinter dieser Beobachtung zu erklären, bauten die Forschenden anschließend ein Deep-Neural-Network, das zwei getrennte Verarbeitungspfade abbildet: einen Pfad für Rohdaten aus den Bildern und einen Pfad für abstraktes Wissen über Emotionen. In einem plausiblen Wahrnehmungsmodus reguliert das Konzeptmodul die visuelle Verarbeitung so, dass die Klassifikation von Gesichtsausdrücken schneller und genauer gelingt.
Entscheidend wird es beim „Überdrehen“ dieser Regulation: Die Forschenden veränderten systematisch, wie stark der konzeptuelle Pfad die visuelle Verarbeitung beeinflusst. Bei einer mittleren Regulierungsstärke erzielte das Modell eine optimale Erkennung. Wird die konzeptuelle Regulierung dagegen übermäßig hochgesetzt, klassifiziert das Modell neutrale Gesichter fälschlich als wütend oder traurig. Aus ihrer Perspektive handelt es sich dabei um ein rechnerisches Negativ-Biasing, das entsteht, weil die überstarke Vorwissenssteuerung die tatsächlichen visuellen Details verdrängt. Interessanterweise passte das interne Codeprofil dieses „overregularized“ Modells eng zu den ineffizienten, verrauschten Hirnmustern der Jugendlichen, die zugleich höhere emotionale Symptome zeigten.
Auf Basis dieser Simulation entwickelten die Autorinnen und Autoren einen Marker, der den Grad der visuellen Überregularisierung quantifiziert – berechnet aus den Gehirnscans im Alter von 19 Jahren. Dann folgten sie 725 Teilnehmende über vier Jahre nach, um zu prüfen, ob der Marker spätere emotionale Auffälligkeiten vorhersagt. Bei jungen Erwachsenen ohne klinische Symptome im Ausgangsalter konnte das Rechenmodell jene Personen identifizieren, die bis zum Alter von 23 Jahren erhöhte emotionale Symptome entwickelten. Der Marker schnitt dabei besser ab als vereinfachte Baselines, die nur auf demografischen Variablen und grundlegenden Aktivitätsmaßen basieren, was für den potenziellen Mehrwert eines mechanistisch interpretierten KI-Signals spricht.
Um die Spezifität für Depression zu testen, werteten die Forschenden zusätzlich genetische Daten aus. Sie prüften Zusammenhänge zwischen dem Überregularisierungsmarker und genetischen Varianten, die mit verschiedenen psychischen Erkrankungen assoziiert sind. Dabei fanden sie eine Verbindung zu einer Variante, die mit einer major-depressive-disorder-assoziierten genetischen Komponente zusammenhängt und in einen Genbereich fällt, der an der Hirnentwicklung beteiligt ist. Auch das polygenetische Risiko für Depression stand in Beziehung zum Marker, während die visuelle Überregularisierung keine vergleichbaren Links zu genetischen Risiken für Alkoholgebrauchsstörungen oder Essstörungen zeigte. Abschließend testeten sie die Robustheit des Ansatzes in einem separaten klinischen Datensatz mit 134 Patientinnen und Patienten mit major depressive disorder sowie 62 gesunden Kontrollpersonen: Depressive zeigten höhere Markerwerte, während der Marker in Gruppen mit Alkoholgebrauchsstörung, Anorexia nervosa und Bulimia nervosa keine Gruppenunterschiede zeigte. Zugleich waren traditionelle Bildgebungsmaße nicht signifikant, um depressive von gesunden Teilnehmenden zu trennen.
Für die praktische Einordnung bleibt wichtig, was die Studie zugleich einschränkt. Die Teilnehmenden in den Population- und Klinikdatensätzen waren überwiegend weiß und aus mittel- bis hochsozioökonomischen Hintergründen, sodass künftige Arbeiten prüfen müssen, ob die berechneten Muster auch in anderen Bevölkerungsgruppen in gleicher Weise funktionieren. Außerdem waren die Effekte in der allgemeinen Adoleszentenstichprobe zwar konsistent, aber relativ klein; damit ist die „visuelle Clustering“-Komponente allein derzeit keine diagnostische Vollkasko-Lösung für einzelne Patientinnen und Patienten. Nichtsdestototrotz liefert der Ansatz einen klaren mechanistischen Hebel: Wenn sich überregelnde Vorwissensteuerung als früher Treiber emotionaler Verzerrung bestätigt, könnten Therapien künftig stärker an der gezielten Umlernbarkeit visueller Verarbeitung ansetzen – etwa durch Interventionen, die die Balance zwischen Konzeptsteuerung und sensorischer Realität stabilisieren. Für Entwickler und Klinikinformatik-Teams bedeutet das vor allem eines: Marker-Design und Modellvalidierung werden hier nicht nur als Prognoseaufgabe verstanden, sondern als Abbildung von Rechenmechanismen, die man langfristig auch therapeutisch adressieren könnte.
💳 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 erkennt Depression-Risiko: neuronale Überregularisierung als Marker" 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 erkennt Depression-Risiko: neuronale Überregularisierung als Marker" 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 erkennt Depression-Risiko: neuronale Überregularisierung als Marker« bei Google Deutschland suchen, bei Bing oder Google News!