Individuelle Vorhersage kognitiver Funktion bei Gesundheit und zerebraler Mikroangiopathie unter Anwendung von maschinellem Lernen auf das strukturelle und funktionelle Konnektom des Gehirn

• Antragsteller: Professor Dr. Simon Eickhoff; Professor Dr. Götz Thomalla
• Fachliche Zuordnung: Kognitive und systemische Humanneurowissenschaften
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 454012190

Ziel des Projekts ist die Entwicklung, Implementierung und Evaluierung von Rechenmodellen zur Vorhersage der individuellen kognitiven Leistung aus Connectom-Analysen des Gehirns bei gesunden Probanden und Patienten mit zerebraler Mikroangiopathie. Hiermit schließen wir eine Lücke in der Forschung, da Connectom-basierte prädiktive Modellierung bisher zumeist auf junge gesunde Erwachsenen oder auf der Klassifizierung von Demenz, hauptsächlich Alzheimer, abgezielt hat. Im Gegensatz dazu gibt es nur wenige Arbeiten zur Assoziation von Hirnveränderungen und Verhalten bei älteren Risikopatienten oder bei Patienten mit präsymptomatischen vaskulären Hirnveränderungen. Wir werden uns auf diese Population konzentrieren und ein verbessertes maschinelles Lernverfahren für die Out-of-Sample-Vorhersage kognitiver Phänotypen aus Neurobildgebungsdaten entwickeln. Diese Arbeit wird sich auf drei große, bevölkerungsbezogene Kohorten stützen (HCHS: N=3000, 1000brains: N=1200 und UKbiobank: N=48000), die alle eine Testung kognitiver Funktionen beinhalten. Weiterhin werden wir verschiedene Bildgebungsmarker (Volumen der grauen Substanz, strukturelle und funktionelle Konnektivität, Hyperintensitäten der weißen Substanz) allein und in Kombination betrachten, um optimale Modelle für jede Stichprobe und jeden Verhaltensphänotyp zu erlangen. Diese werden mit Modellen verglichen, die nur soziodemographische Informationen und andere Hintergrunddaten verwenden, um den Mehrwert der Bildgebung für die individuelle Vorhersage zu analysieren. Eine der größten Herausforderungen beim Einsatz von maschinellen Lernansätzen im klinischen Umfeld, ist die Tatsache, dass klinische Stichproben in der Regel zu klein sind für Training und Validierung von Prädiktionsmodellen. Wir schlagen Meta-Lernen als neuartige Strategie zur Lösung dieses Problems vor. Dieses basiert auf der Tatsache, dass viele Verhaltensweisen korreliert sind und mit einer begrenzten Anzahl neurobiologischer Variationsmodi assoziieren. Ein maschinelles Lernmodell, welches an einer großen Kohorte trainiert wird, um ein bestimmtes Verhalten aus Neurobildgebungsdaten vorherzusagen, sollte daher auch Informationen über andere, verwandte Verhaltensweisen in einer kleineren, klinisch relevanten Stichprobe erfassen. Im zweiten Teil dieses Projekts werden wir eine neuartige Strategie des Meta-Learnings entwickeln, anwenden und evaluieren, um an großen Populationsstichproben trainierte Modelle auf neue Datensätze zu übertragen, die kritische Ergebnismessungen für klinische Anwendungen widerspiegeln, aber zu klein sind, um robuste Prädiktionsalgorithmen zu trainieren. Diese Strategie wird in einem klinischen Anwendungsfall mit drei verschiedenen Stichproben von Patienten mit zerebraler Mikroangiopathie oder Schlaganfall getestet. Zusammenfassend ist unser Ziel, die Verwendung der Connectom-Analyse des Gehirns für die Risikoabschätzung, Phänotyp-Vorhersage und klinische Diagnostik bei einzelnen Patienten zu voranzubringen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2041: Computational Connectomics