Bayesianisches Transferlernen zur Verbesserung hirnbasierter Verhaltensvorhersagen in kleinen fMRT-Stichproben

• Antragsteller: Dr. Carsten Gießing
• Fachliche Zuordnung: Biologische Psychologie und Kognitive Neurowissenschaften ; Allgemeine, Kognitive und Mathematische Psychologie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 564439360

Lassen sich Hirnmodelle der Aufmerksamkeit, die in großen Datensätzen geschätzt werden, auf kleinere Stichproben mit unterschiedlichen Aufgaben und Kontexten übertragen? Können diese Modelle die Analyse eines kleineren Datensatzes bereichern? Dieses Projekt geht diesen Fragen nach, indem es bayesianische Methoden zum Wissenstransfer einsetzt, um die Transferierbarkeit bestehender Modelle zu untersuchen und ein neues, integriertes Modell mit verbesserter Übertragbarkeit zu entwickeln. Gerade in der fMRT-Forschung, wo große Stichproben oft schwer zu realisieren sind, bietet das bayessche Transferlernen mit Power Priors dabei eine elegante Lösung: Es ermöglicht die Integration von Vorwissen aus größeren Datensätzen in die Analyse kleinerer Stichproben, während es gleichzeitig die Heterogenität der Daten berücksichtigt. Bisher fehlen jedoch Antworten auf zentrale Fragen: Wie unterscheiden sich bestehende Hirnmodelle der Aufmerksamkeit in ihrer Fähigkeit, auf neue Kontexte übertragen zu werden? Kann ein integriertes Modell, das verschiedene Ansätze kombiniert, die Transferierbarkeit weiter verbessern? Zudem mangelt es in der fMRT-Literatur an praktischen Werkzeugen, die Forschenden den Zugang zu geeigneten Power Priors für eigene Analysen erleichtern. Dieses Projekt adressiert diese Herausforderungen in drei eng miteinander verknüpften Arbeitspaketen. Im ersten Schritt werden verschiedene Hirnmodelle der Aufmerksamkeit - basierend auf funktionaler Konnektivität, Netzwerktopologie sowie dynamischen und statischen Ansätzen - systematisch verglichen und zu einem robusten, übertragbaren Modell zusammengeführt. Im zweiten Arbeitspaket steht die Validierung der Transferierbarkeit im Vordergrund: Mithilfe eines unabhängigen Datensatzes und bayesianischen Power Priors wird untersucht, wie Vorwissen optimal auf neue Kontexte übertragen werden kann. Als zentraler Meilenstein entsteht hier ein Software-Tool, das Forschenden die Nutzung von Power Priors für eigene Studien ermöglicht. Abschließend wird in einem pharmakologischen fMRT-Datensatz demonstriert, wie der Einsatz von Power Priors die Analyse kleiner Stichproben signifikant verbessern kann. Damit trägt das Projekt wesentlich zur Reproduzierbarkeit und Präzision von Hirn-Verhaltens-Modellen bei und schafft eine Grundlage für deren Anwendung in der personalisierten Medizin.

• DFG-Verfahren: Sachbeihilfen