Automatisierte Gehirnalterung-Vorhersage und deren Interpretation

• Antragsteller: Professor Dr. Simon Eickhoff; Kaustubh R. Patil, Ph.D.
• Fachliche Zuordnung: Kognitive, systemische und Verhaltensneurobiologie
• Förderung: Förderung von 2019 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 432015680

Das biologische Alter eines Gehirns (Brain-Age) ist eine wertvolle Zusammenfassung seines strukturellen oder funktionellen Gehirnzustandes. Wichtig ist, dass ein erhöhtes Gehirnalter - der BrainAGE-Score - als Biomarker dienen kann, um Menschen mit einem höheren Risiko für altersbedingte Krankheiten zu identifizieren. Das Gehirnalter kann jedoch nicht gemessen werden und muss geschätzt werden, was genaue Methoden erfordert, die auf nicht-invasiven Hirnbilddaten basieren. Obwohl verschiedene auf maschinellem Lernen (ML) basierende Methoden für die Vorhersage des Gehirn- und Altersverhaltens vorgeschlagen wurden, bleiben zwei entscheidende Aspekte deutlich weniger bachtet. Erstens, die Auswirkungen der vielfältigen Auswahlmöglichkeiten hinsichtlich der Datenauswahl und -darstellung oder ML-Algorithmen und deren Interaktion mit kontextuellen Aspekten (z.B. eingeschränkter Altersbereich oder ein bestimmter Ort) auf die Vorhersagegenauigkeit wurden nicht systematisch bewertet. Da keine einzige Methode in allen Szenarien gut funktionieren kann, besteht ein klarer Bedarf an Workflows (Kombinationen aus Repräsentation, ML-Algorithmus und Kontext), die die Vorhersagegenauigkeit verbessern können. Zweitens ist die Lokalisation alterssensitiver Hirnregionen, die für das vorhergesagte Gehirnalter verantwortlich sind, und deren Abweichung vom chronologischen Alter nur grob untersucht worden. Darüber hinaus ist der Einfluss individueller spezifischer Faktoren (z.B. atypisches Altern bei neurodegenerativen Erkrankungen) noch wenig verstanden. In dieser Arbeit werden wir uns mit diesen Fragen befassen: (1) Bereitstellung von Workflow-Designrichtlinien, die auf der systematischen Bewertung einer großen Anzahl von Workflows und Kontexten in einem Big-Data-Framework basieren, und (2) Gewinnung neurobiologischer Erkenntnisse durch Erprobung und Entwicklung von Interpretationsmethoden zur Lokalisierung alterssensitiver Gehirnregionen und zur Erläuterung individueller Vorhersagen.

• DFG-Verfahren: Sachbeihilfen