Neue KI-Modelle verbessern Diagnose von psychischen Erkrankungen

LONDON (IT BOLTWISE) – Die Entwicklung eines neuen KI-Modells zur Simulation von Gehirndynamiken könnte die Diagnose von neuropsychiatrischen Störungen revolutionieren.

Die Diagnose von neuropsychiatrischen Störungen wie Depressionen und Autismus steht vor einem bedeutenden Fortschritt dank eines neuen KI-Modells, das Gehirndynamiken simuliert. Forscher haben eine verbesserte Version des Landau-Stuart-Oszillatormodells entwickelt, um die neuronalen Aktivitäten individueller Patienten besser zu erfassen. Diese Innovation könnte den Weg für objektivere Diagnosen und personalisierte Behandlungsansätze ebnen.

Das Modell nutzt adaptive Lernmethoden und Gradientenmodulation, um die Gehirndynamik auf individueller Ebene präzise zu simulieren. Bei der Anwendung auf fMRT-Daten von Patienten mit Major Depression und Autismus zeigte das Modell eine überlegene Klassifikationsgenauigkeit im Vergleich zu herkömmlichen Methoden. Besonders hervorzuheben sind die identifizierten Biomarker in Gehirnregionen wie dem Thalamus und dem Precuneus, die mit emotionalen und sozialen Beeinträchtigungen in Verbindung stehen.

Die Forscher, angeführt von Dr. Junjie Jiang und Dr. Zigang Huang von der Xi’an Jiaotong University, haben umfangreiche Simulationen durchgeführt, um die Anpassungsfähigkeit und Stabilität der Parameteranpassung zu verbessern. Durch personalisierte Initialisierungsstrategien und variable Lernraten konnte das Modell die BOLD-Dynamik der Probanden präzise rekonstruieren. Diese Methode überwindet die Konvergenz- und Genauigkeitsbeschränkungen traditioneller Modellierungstechniken.

Die Ergebnisse der Studie zeigen, dass die geschätzten Bifurkationsparameter des Modells die Ruhe-BOLD-Merkmale genauer erfassen als konventionelle Methoden. Dies führte zu einer hohen Klassifikationsgenauigkeit sowohl bei der Subtypisierung und Diagnose von Depressionen als auch bei der Unterscheidung von Autismus-Patienten von gesunden Kontrollpersonen. Die Analyse ergab signifikante regionale Unterschiede in Bereichen wie dem Hippocampus und der Insula.

In Zukunft könnte die Verfeinerung der theoretischen Grundlagen des Modells und die Integration mit strukturellen Connectomics und graphischen neuronalen Netzwerken die physiologische Interpretierbarkeit und Vorhersagefähigkeit weiter verbessern. Solche Fortschritte könnten die klinische Diagnose und personalisierte Neuromodulationsstrategien erheblich vorantreiben.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!