LONDON (IT BOLTWISE) – Eine neue fMRT-Studie zeigt, dass sich die dynamische Umorganisation großer Hirn-Netzwerke beim Wechsel von Ruhe zu Aufgaben bei vielen psychischen Diagnosen weniger stark „abflacht“. Interessant ist dabei die Einordnung: Das Muster passt laut Analyse eher zu individuellen Symptomdimensionen als zu formalen Diagnosekategorien. Forschende nutzen dafür ein öffentlich verfügbares Datenset und kombinieren mehrere Scan-Zustände, darunter Stroop und Emotional-Faces. Damit liefert die Arbeit eine datengetriebene Grundlage für transdiagnostische Modelle der psychischen Gesundheit.
Im Alltag wirkt mentale Gesundheit oft wie ein festes Etikett: Diagnose X, Behandlung Y. Die neue neuroimaging-basierte Studie stellt dieses Bild auf eine messbare Ebene zurück, indem sie untersucht, wie flexibel das Gehirn zwischen Ruhe und anspruchsvollen Aufgaben „umverdrahtet“. In einem fMRT-Design mit mehreren Scan-Zuständen berichtet das Team, dass diese Netzwerkdynamik bei Personen mit psychischen Diagnosen weniger variiert – die Autoren sprechen von einem „Flattening“, also einer gedämpften Veränderung großer Kommunikationsmuster. Die Kernaussage ist damit weniger, dass es ein einziges „Krankheitsprofil“ gibt, sondern dass sich die Art des Übergangs vom entspannten Ruhezustand in kontrollierte Verarbeitung eher an den individuellen Symptommustern orientieren könnte.
Technisch betrachtet folgt die Arbeit einem etablierten Konzept funktioneller Konnektivität: Regionen in der Großhirnrinde und tieferen Strukturen werden als Knoten betrachtet, während die Synchronität ihrer Aktivitätsmuster über die Zeit als Verbindung dient. Die Studie nutzt dafür fMRI-Daten, die Durchblutungsänderungen abbilden, um Kopplungen zwischen Hirnarealen zu schätzen. Während viele frühere Ansätze auf „statischen“ Ruhe-Sessions basierten, in denen Durchschnittswerte während still liegendem Scannen gesammelt werden, zeigt die aktuelle Argumentation die Grenzen dieser Sicht. Bereits frühere Arbeiten hatten verdeutlicht, dass Netzwerke sich während Aufgaben aktiv reorganisieren können und dass sich dieser Umbau je nach Anforderungsprofil unterscheidet – etwa zwischen einfachen motorischen Handlungen und komplexen Working-Memory-Szenarien. Die neue Studie baut darauf auf und bewertet genau diese Veränderung als Marker für psychische Merkmale.
Für die Einordnung macht das Team die Diagnosen nicht zum alleinigen Filter. Hintergrund ist, dass klassische psychiatrische Kategorien häufig Patientengruppen bündeln, die zwar formal dieselbe Diagnose tragen, aber sehr unterschiedliche Symptomkombinationen zeigen. Umgekehrt können Menschen mit verschiedenen Diagnosen gemeinsame Problembereiche wie niedrige Motivation, Erschöpfung oder Schwierigkeiten in der Planungsfähigkeit aufweisen. Deshalb strukturieren die Forschenden die Symptome dimensional: Sie kombinieren 110 klinische, verhaltensbezogene und kognitive Kennwerte aus Interviews, Selbstberichtsbögen und kognitiven Tests. Dabei nutzen sie einen Clustering-Ansatz, der Kennwerte nach ähnlichen Variationsmustern über Personen hinweg zusammenführt, und verdichten diese Cluster zu vier Domänen – internalisierend, externalisierend, Kognition sowie sozialer bzw. Belohnungsfunktion. Aus den Abweichungen gegenüber dem restlichen Kollektiv leiten sie 16 mögliche „Symptom-Fingerprints“ ab, die nicht an Diagnoselabels gebunden sind, sondern an der individuellen Mischung der Dimensionen.
Die Datengrundlage kommt aus dem Transdiagnostic Connectome Project, das Daten aus einer Kombination von Teilnehmenden mit und ohne psychische Vorgeschichte bereitstellt. Insgesamt analysieren die Autoren 219 Erwachsene im Alter von 18 bis 70 Jahren (Durchschnitt 36,2 Jahre), darunter 123 Frauen, 93 Männer und 3 nichtbinäre Personen. Auf Diagnoseseite finden sich 134 Teilnehmende über 11 primäre Gruppen verteilt, wie Depression, Angststörungen, bipolar affektive Störung, PTSD, Schizophrenie oder schizoaffektive Störung, Substanzgebrauch, ADHS, Zwangsstörung, Panikstörung und Essstörungen. Um Datenleckage zu vermeiden, teilt das Team die Stichprobe in 176 Personen als Discovery-Set und 43 als strikt gehaltenes Validierungs-Set. Die fMRT-Sessions umfassen pro Person drei Ruheläufe, zwei Läufe einer Stroop-Aufgabe zur Unterdrückung automatischer Lesereize (hier: Benennen der Tintenfarbe) sowie einen Lauf mit Emotional-Faces, in dem Angstäußerungen gezeigt werden. Damit bewertet die Studie nicht nur, wie „aktiv“ das Gehirn ist, sondern wie kohärent sich Kommunikationsmuster über mehrere Zustände hinweg reorganisieren.
Die „Flattening“-Messung passiert auf mehreren Ebenen. Für jeden Scan bestimmen die Forschenden Aktivitätskorrelationen über 434 Regionen, die zu 21 funktionellen Netzwerken aggregiert sind. Anschließend extrahieren sie per Machine-Learning-Zerlegung „Netzwerk-Bausteine“ und verfolgen, wie stark der effizienteste, gut separierte Baustein über die sechs Scan-Zustände hinweg ausgeprägt ist. Im Discovery-Set zeigen die 108 Teilnehmenden mit psychischen Diagnosen laut Bericht weniger Variation von Scan zu Scan als die 68 ohne Diagnose. Interessant wird es im Vergleich über viele „Scan-Paare“ hinweg, wenn Ähnlichkeitsscores mit einem Bereich von -1 bis 1 berechnet werden. Zusätzlich testen die Autoren gegen 10.000 gemischte Nullmodelle, um zu prüfen, ob die beobachteten Effekte über Zufallsmuster hinausgehen.
Beim Modellieren der Klassifikation zeigt sich dann die eigentliche Brücke zu transdiagnostischen Symptomen. Auf Basis eines Klassifikators, der auf den 43 Validierungsteilnehmenden getestet wurde, gelingt die Unterscheidung „Fall versus Kontrollperson“ besser als reines Raten; ebenso lassen sich primäre Diagnosen und die 16 Symptom-Fingerprints vorhersagen. Die Autoren ordnen die Stärke der Effekte allerdings differenziert ein: Während die binäre Fall-Kontroll-Klassifikation zwar den höchsten Rang unter den Standardstatistiken bekommt, sind die Effektgrößen für Symptom-Fingerprints deutlich größer. Um zu verstehen, welche Systeme den Ausschlag geben, entfernen sie jeweils ein funktionelles Netzwerk nach dem anderen und lassen den Klassifikator erneut laufen. Besonders deutliche Einbrüche in der Genauigkeit treten auf, wenn Beiträge aus Systemen der kognitiven Kontrolle blockiert werden – konkret Teile des frontoparietalen Kontrollnetzwerks und der Thalamus. Auch limbische, visuelle und somatomotorische Netzwerke wirken mit. Ergänzend liefern die Vergleiche einen Hinweis darauf, dass default-mode-nahe Aktivitätsmuster und frontoparietale Kontrollsysteme möglicherweise komplementär zusammenarbeiten, um den Übergang zwischen leichten und anspruchsvollen mentalen Zuständen zu formen.
Die Studie ordnet sich damit in eine breitere Forschungslandschaft ein, in der dynamische Konnektivität zunehmend als funktioneller Marker gilt. Frühere Befunde hatten unter anderem gezeigt, dass zeitvariierende Konnektivität bei psychischen Störungen hilfreicher sein kann als rein statische Ruhe-Maße, und auch Subklinik-Phänomene mit veränderten Aufenthaltsanteilen in bestimmten Hirnzuständen in Verbindung gebracht. Gleichzeitig gibt es Daten, die auf den ersten Blick im Widerspruch stehen könnten: Eine frühere Ruhefeld-fMRT-Auswertung bei antidepressiv behandelten Personen deutete darauf hin, dass Unterschiede eher mit der Behandlung zusammenhängen könnten als mit der Diagnose allein. Genau hier ordnet die neue Arbeit ihre Methodik ein: Sie misst Übergänge zwischen Ruhe und konkreten Aufgaben, statt Fluktuationen innerhalb einer einzigen Ruheaufnahme zu verfolgen. Dazu kommen in der aktuellen Studie klare Einschränkungen. Weil Scans und Verhaltensmaße im Rahmen eines Zeitfensters erhoben wurden, lässt sich nicht entscheiden, ob die flachere Netzwerkdynamik Symptome verursacht oder ob sie sich als Folge der Erkrankung entwickelt. Zudem sind einzelne Diagnoseteilgruppen teils sehr klein, die Validierungsstichprobe ist mit 43 Personen begrenzt, und Medikamente wurden nicht für den Analysegang kontrolliert. Auch Unterschiede in Bewegung, Atmung oder Wachheit während des Scannens sowie Standort-spezifische Effekte zwischen den beteiligten Einrichtungen können die Modellgüte beeinflussen.
Trotz dieser Vorbehalte beschreibt die Studie einen belastbaren methodischen Rahmen: weg von starren Diagnosegrenzen hin zu Modellen, die „Wie das Gehirn reagiert“ mit „welche Symptomdomäne gerade dominiert“ verknüpfen. Für die Praxis bedeutet das zunächst vor allem: bessere Forschungsdesigns, die transdiagnostische Profile quantifizieren, könnten die Grundlage für Diagnostik- und Therapieverläufe liefern, die weniger an Labeln hängen. Für KI-Entwicklung im Gesundheitsbereich ist zudem relevant, dass die Autorinnen und Autoren die Daten und den Analysecode öffentlich bereitstellen und das Vorgehen als explorativen Proof-of-Concept einordnen. Das erleichtert Replikation und gezielte Erweiterung, etwa durch longitudinalere Designs, zusätzliche Aufgabenparadigmen oder eine explizite Medikamenten- und Bewegungsmodellierung. So wird aus der reinen Bildgebung mehr als nur ein Korrelationsreport – nämlich eine Blaupause, wie dynamische Netzwerkmerkmale in KI-gestützte Symptommodelle übersetzt werden können.
🔥 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-Studie: Flachere Hirn-Netzwerkdynamik ordnet psychische Symptome besser ein" 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-Studie: Flachere Hirn-Netzwerkdynamik ordnet psychische Symptome besser ein" 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-Studie: Flachere Hirn-Netzwerkdynamik ordnet psychische Symptome besser ein« bei Google Deutschland suchen, bei Bing oder Google News!