SEONGNAM, SÜDKOREA / LONDON (IT BOLTWISE) – Eine KI-gestützte Analyse von strukturellen MRT-Daten kann bei 146 jungen Erwachsenen einen Teil der Verzögerungspräferenz vorhersagen. Dabei nutzen die Modelle Volumen von Regionen der weißen und grauen Substanz, um die Neigung zu sofortigen statt späteren Belohnungen abzuleiten. Besonders aussagekräftig sind offenbar Strukturen wie der rechte Accumbens-Bereich und der frontale Pol. Die Ergebnisse belegen ein frühes Machbarkeitsbeispiel, zeigen aber auch klare Grenzen der Vorhersagegenauigkeit.
Wer heute lieber 20 Euro sofort ausgibt statt auf 50 Euro in einem Monat zu warten, zeigt eine ausgeprägte Delay Discounting-Neigung: Je länger die Belohnung auf sich warten lässt, desto stärker sinkt ihr subjektiver Wert. Genau diese alltagsnahe Entscheidungstendenz lässt sich in der Psychologie als Verhaltensmaß für Impulsivität interpretieren. Eine neue Bildgebungsstudie verbindet nun Verhaltensdaten mit strukturellem MRT und prüft, ob daraus mit Machine Learning Hinweise auf individuelle Unterschiede ableitbar sind – und zwar ohne auf funktionelle Messungen zurückzugreifen.
Im Kern untersuchten die Forschenden einen Zusammenhang zwischen dem Grad der Verzögerungspräferenz und der makrostrukturellen Gewebearchitektur des Gehirns. Sie unterscheiden dabei zwei Bausteine: Graue Substanz als Bereiche mit vor allem neuronalen Zellkörpern und Weiße Substanz als Bündel isolierter Nervenfasern, die unterschiedliche Hirnareale koppeln. Diese Trennung ist wichtig, weil funktionelle Aktivität meist schneller variiert als die anatomische Struktur. Die Frage lautete also nicht nur, welche Netzwerke aktiv sind, sondern ob Volumina bestimmter Regionen im T1-gewichteten MRT statistisch genug Signal tragen, um Delay Discounting wenigstens teilweise vorherzusagen.
Für das Proof-of-Concept-Setup lagen Daten von 146 college-ähnlichen Probandinnen und Probanden vor (Durchschnittsalter etwa 22,6 Jahre; 75 weiblich, 71 männlich). Zwischen Juli 2020 und Juli 2023 absolvierten sie sowohl ein Verhaltensexperiment zur Verzögerungsbewertung als auch ein T1-gewichtigtes MRT. Aus den Scans extrahierten die Forschenden mithilfe eines standardisierten anatomischen Atlas die Volumina von grauer und weißer Substanz in vordefinierten Regionen. Um Unterschiede in der Schädelgröße zu berücksichtigen, normalisierten sie jede regionale Volumenkennzahl auf das gesamte intrakranielle Volumen.
Die KI-Seite arbeitete mit mehreren, bewusst unabhängigen Trainings-/Test-Splits: Insgesamt erzeugten die Autoren fünf zufällige Aufteilungen, wobei 80% zum Trainieren dienten und die verbleibenden 20% zur Prüfung genutzt wurden. Innerhalb der Trainingsdaten identifizierten sie mittels generalisierten linearen Modellen Regionen, deren Volumina nach Kontrolle von Alter und bei Geburt zugewiesenem Geschlecht statistisch mit dem Delay-Discounting-Maß verbunden waren. Anschließend wurde ein Exhaustive-Subset-Search über Kombinationen dieser Kandidaten durchgeführt, um jene Teilmenge zu finden, die das Verhalten am besten abschätzt. Für die eigentliche Vorhersage kamen Multilayer-Perceptrons zum Einsatz – jeweils getrennt für das Volumen der weißen und der grauen Substanz.
In den Tests erreichten beide Modellfamilien nur eine mittlere, aber messbare Leistung. Das Modell auf Basis der weißen Substanz kam im Mittel auf ein R-Quadrat von 0,22 (Standardabweichung 0,11), das Modell auf Basis der grauen Substanz auf 0,19 (Standardabweichung 0,10). Übersetzt heißt das: Etwa 19% bis 22% der Varianz des Delay Discounting konnten allein durch die Volumendaten in den ausgewählten Regionen erklärt werden. Für die Interpretation ist entscheidend, dass Entscheidungstendenzen multifaktoriell entstehen – etwa aus dem Zusammenspiel von Struktur, funktioneller Aktivität, genetischen Faktoren und Umwelt-Erfahrungen. Gleichzeitig zeigen die Werte, dass strukturelles MRT zumindest statistisch verwertbare Information enthält, auch wenn es kein vollständiges Bild der Impulsivität liefert.
Als wiederkehrende treibende Regionen tauchten sowohl im Modell für weiße als auch für graue Substanz zwei Areale in der rechten Hemisphäre auf: der rechte Accumbens-Bereich im ventralen Striatum sowie der rechte frontale Pol. Der Accumbens ist zentral für Belohnungsverarbeitung, Lust und Motivation; der frontale Pol unterstützt dagegen zukünftige Planung und die Abwägung langfristiger Konsequenzen. Darüber hinaus zog das Modell der weißen Substanz weitere Regionen vor allem aus Bereichen der sensorischen und visuellen Verarbeitung heran, während das Modell der grauen Substanz zusätzliche Areale ergänzte, darunter frontale Regionen im Kontext von Selbstkontrolle sowie Teile des visuellen Kortex. Auffällig ist zudem, dass die weiße Substanz in den Tests insgesamt besser abschnitt. Die Autoren leiten daraus ab, dass die „Verdrahtung“ bzw. die makroskopische Ausprägung relevanter Faserwege potenziell genauso bedeutend sein kann wie die Volumina klassischer „Hub“-Regionen der Informationsverarbeitung.
Methodisch und praktisch sind zwei Grenzen klar: Erstens handelt es sich um eine Querschnittsstudie mit einem relativ kleinen, nicht extern validierten Datensatz; die Modelle wurden zwar auf gehaltene Teile desselben Datensatzes getestet, aber nicht an unabhängigen Kohorten oder über andere Altersgruppen und klinische Populationen hinweg geprüft. Zweitens basieren die weißen Substanz-Merkmale hier auf Volumen – nicht auf direkten Messgrößen zur Faserintegrität. Diffusions-MRT-Methoden wie Fractional Anisotropy oder Traktographie würden dagegen eher mikroskopische Organisation und Ausrichtung von Nervenfasern abbilden. Entsprechend empfehlen die Forschenden, strukturierte T1-MRT-Befunde künftig mit Diffusion und funktioneller Konnektivität zu kombinieren, um besser zu verstehen, welche mechanistischen Ketten vom Gehirnzustand zu veränderten Belohnungsabwägungen führen.
Als nächster Schritt zielen die Autorinnen und Autoren darauf, die Ansätze auch in klinischen Gruppen zu testen – etwa bei Substanzgebrauchsstörungen, Essstörungen oder ADHS. Das wäre auch für die Translation in die Praxis relevant: Wenn sich strukturelle Marker zuverlässig generalisieren lassen, könnten sie langfristig helfen, Risiko-Profile entlang kontinuierlicher Verhaltensdimensionen zu charakterisieren, statt Impulsivität nur an Diagnosegrenzen festzumachen. Bis dahin bleibt die Arbeit aber vor allem ein frühes Belegstück dafür, dass strukturbezogene MRT-Daten zusammen mit KI bereits einzelne Verhaltensvariablen wie Delay Discounting „mittragen“ können – nicht als deterministische Gehirn-zu-Verhalten-Übersetzung, sondern als statistische Annäherung an eine komplexe, lern- und kontextabhängige Entscheidungseigenschaft.
🔥 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 "Bildgebung und KI: Hirnstruktur verrät Verzögerungspräferenz bei impulsiven Entscheidungen" 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 "Bildgebung und KI: Hirnstruktur verrät Verzögerungspräferenz bei impulsiven Entscheidungen" 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: »Bildgebung und KI: Hirnstruktur verrät Verzögerungspräferenz bei impulsiven Entscheidungen« bei Google Deutschland suchen, bei Bing oder Google News!