Mehr als Aufmerksamkeit – Neue Erkenntnisse über die neuronalen Grundlagen von Intelligenz und kognitiven Fähigkeiten durch auf maschinellem Lernen basierenden prädiktiven Modellierungsansätzen

• Antragstellerin: Dr. Kirsten Hilger
• Fachliche Zuordnung: Biologische Psychologie und Kognitive Neurowissenschaften ; Kognitive und systemische Humanneurowissenschaften ; Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden
• Förderung: Förderung seit 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 429016959

Intelligenz kann Bildungs- und Berufserfolg vorhersagen und konnte sogar mit gesundheitlichen Variablen in Zusammenhang gebracht werden. Auch die Annahme, dass Intelligenz eine biologische Basis in der Struktur und Funktion des menschlichen Gehirns hat, ist relativ gefestigt. Gleichzeitig konnte ein wirklich umfassenden Verständnis dieser biologischen Grundlage der Intelligenz bisher noch nicht erreicht werden, ist aber ein wesentliches Ziel aktueller Forschung. Die Einführung von auf maschinellem Lernen basierenden prädiktiven Modellierungsansätzen in den Neurowissenschaften zusammen mit Fortschritten in der Netzwerkanalyse und der Veröffentlichung großer Neuroimaging-Datensätze eröffnen neue Möglichkeiten, dieses Ziel aus einer neuen Perspektive zu verfolgen. Aufbauend auf den veröffentlichten Ergebnissen aus dem vorhergegangen Projekt, welche die Rekonfiguration von Hirnnetzwerken als vielversprechenden Biomarker für Intelligenz aufzeigten, erweitert das hier beantragte Folgeprojekt den Fokus auf a) die Vorhersage individueller Intelligenzwerte statt der reinen Aufklärung von Varianz (prädiktive Modellierung statt Korrelationsanalysen), b) die Identifizierung von intelligenz-prädiktiven neuronalen Fingerabdrücken (Kommunikationsmuster zwischen Gehirnnetzwerken) und c) die Frage, wie sich die Intelligenz-prädiktiven neuronalen Charakteristika im menschlichen Gehirn abbilden. Zur Erreichung dieser Ziele sollen zunächst der etablierte connectome-based predictive modelling (CPM) Ansatz sowie die von unserer Forschungsgruppe entwickelte covariance maximizing eigenvector-based prediction (CMEP) Methodik auf funktionelle Magnetresonanztomographie (fMRI) Daten von drei großen Stichproben (N = 806 von dem Human Connectome Project; N = 138 und N = 184 von der Amsterdam Open MRI Collection) angewendet werden. Dadurch sollen folgende Hypothesen auf ihre Gültigkeit überprüft werden: 1. Individuelle Intelligenzwerte können aus der Rekonfiguration von Hirnnetzwerken signifikant vorhergesagt werden. 2. Der Beitrag verschiedener Gehirnnetzwerke an der Prädiktion von Intelligenz unterscheidet sich signifikant voneinander. Im letzten Teil des geplanten Projektes werden schließlich Neuronale Netzwerke angewandt mit dem Ziel die folgende Hypothese zu prüfen: 3. Die Vorhersage von Intelligenz kann durch die Kombination verschiedener Merkmale neuronaler Funktionsweise signifikant verbessert werden. Die Beantwortung der aufgezeigten Forschungsfragen wird unser Verständnis über die neurobiologische Grundlage menschlicher Intelligenz erweitern und psychologische Modelle hinsichtlich postulierter Zusammenhänge zwischen Intelligenz und kognitiven Teilfähigkeiten aus neurobiologischer Sichtweise informieren – Erkenntnisse welche auch zu einem besseren Verständnis von Krankheiten mit kognitiver Beeinträchtigung beitragen. Zu guter Letzt, wird die entwickelte Methodik für zukünftige neurowissenschaftliche Studien zur Verfügung gestellt.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: USA
• Kooperationspartner: Professor Dr. Olaf Sporns