Neue KI-Ansätze verbessern EEG-basierte Diagnostik bei Demenzen

Neue KI-Modelle analysieren EEG-Signale und unterscheiden mit >80 % bzw. >97 % Genauigkeit zwischen gesunden Personen und verschiedenen Demenzformen, einschließlich Alzheimer und frontotemporaler Demenz.

Weltweit nehmen Prävalenz und Krankheitslast neurodegenerativer Erkrankungen wie Alzheimer und frontotemporaler Demenz zu. Eine frühe, zuverlässige Diagnostik gilt als Voraussetzung, um therapeutische Maßnahmen rechtzeitig einzuleiten. Zudem steigt das Interesse an skalierbaren, kosteneffizienten Verfahren, die außerhalb spezialisierter Zentren nutzbar sind.

Vor diesem Hintergrund untersuchten Forscher der Universität Örebro (Schweden) gemeinsam mit mehreren internationalen Institutionen, darunter Universitäten in Großbritannien, Australien, Pakistan und Saudi-Arabien, den Einsatz künstlicher Intelligenz (KI) zur automatisierten Auswertung von Elektroenzephalografie-(EEG-)Signalen. Die Ergebnisse erschienen in 'Frontiers in Medicine' und 'Frontiers in Computational Neuroscience'.

Warum aktuelle EEG-Methoden an Grenzen stoßen

EEG-basierte Diagnoseansätze sind vielversprechend, stoßen jedoch an Grenzen durch Inter-Subjekt-Variabilität, geringe Datenmengen und die fehlende Nachvollziehbarkeit klassischer Machine-Learning-Modelle. Zudem bestehen im klinischen Umfeld hohe Anforderungen an Datenschutz und Ressourcenverbrauch.

Die beiden vorliegenden Studien behandeln insbesondere folgende Fragen:

• Ist es möglich, Alzheimer, frontotemporale Demenz und Gesunde mit einem Deep-Learning-Modell zu unterscheiden, dessen diagnostische Entscheidungen transparent nachvollzogen werden können?
• Lassen sich robuste Klassifikationsleistungen erzielen, ohne Patientendaten zentral zu sammeln, also unter Wahrung des Datenschutzes?
• Welche Modellarchitekturen sind effizient genug, um perspektivisch auf mobilen oder dezentralen Geräten eingesetzt zu werden?

Kombiniertes Deep-Learning-Modell zeigt sehr hohe Trefferquoten und transparente Entscheidungsgrundlagen

In der ersten Studie entwickelten Forscher ein hybrides Deep-Learning-Framework, das Temporal Convolutional Networks und Long Short-Term Memory-Netze kombiniert. Grundlage war ein EEG-Datensatz mit sechs durch Leistungsdichtespektren berechneten Frequenzbändern.

Das Modell klassifizierte Alzheimer und frontotemporale Demenz in binären Vergleichen nahezu fehlerfrei.

• Alzheimer vs. gesund: 99,74 %,
• frontotemporale Demenz vs. gesund: 99,70 %,
• kombinierte Demenzgruppe vs. gesund: 99,80 %.

In der Dreiklassen-Analyse – Alzheimer, frontotemporale Demenz und gesund – lag die Genauigkeit bei 80,34 %.

Zudem ermöglicht die transparente KI-Technologie eine nachvollziehbare Entscheidungsbasis und verhindert die typische „Black-Box“-Problematik.

Leichtgewichtiges Modell ermöglicht datenschutzkonforme EEG-Klassifikation

Die zweite Studie prüfte, wie sich EEG-basierte Demenzklassifikation ohne zentrale Datenhaltung realisieren lässt. Dazu wurde ein besonders leichtgewichtiges Modell (EEGNetv4) mit hybrid-fusionsbasierten Erweiterungen kombiniert. Das neuronale Netz umfasst nur 1.609 Parameter und benötigt weniger als 1 MB Speicher, erzielte jedoch eine Testgenauigkeit von 97,1 %.

Durch den Einsatz von Federated Learning konnten mehrere Einrichtungen das Modell trainieren, ohne EEG-Rohdaten auszutauschen. Die resultierende globale Modellleistung betrug 96,9 % und zeigt, dass eine datenschutzkonforme Trainingsumgebung möglich ist.

KI erkennt Muster in den elektrischen Signalen des Gehirns

Beide Modelle nutzten EEG-Frequenzbänder wie Alpha-, Beta- und Gamma-Aktivität, um Merkmale zu identifizieren, die mit Demenzen assoziiert sind. Die KI-Systeme konnten langfristige Veränderungen und feine Unterschiede zwischen den Diagnosegruppen erkennen, was klassische Verfahren teilweise nur eingeschränkt leisten können.

Potenzial KI-gestützter EEG-Verfahren für eine breitere und frühe Demenzdiagnostik

In den Studien werden KI-gestützte EEG-Verfahren als schnelles, kostengünstiges und datenschutzsicheres Instrument für die Früherkennung von Demenzen vorgestellt. Durch die Möglichkeit, KI-Modelle auf tragbaren Geräten zu betreiben, ergibt sich perspektivisch ein breiterer Einsatz – von spezialisierten neurologischen Zentren bis hin zu später möglichen Anwendungen im häuslichen Umfeld.

Die Autoren beabsichtigen, künftig größere und heterogenere Datensätze einzubeziehen sowie zusätzliche Demenzformen zu analysieren. Damit könnte langfristig eine breitere Validierungsbasis geschaffen werden, die den klinischen Nutzen weiter klärt.

Quelle: gelbe-liste.de

Krebs ohne Zerstörung stoppen: KI erkennt den Ruhemodus von Tumorzellen

Statt Krebszellen zu töten, macht KI sichtbar, wann sie in einen dauerhaften Ruhezustand übergehen. Ein neuer Ansatz der Krebsforschung.

Krebs zu bekämpfen, heißt bisher meist: Zellen vernichten. Chemotherapien und Bestrahlungen greifen Tumoren direkt an – oft mit schweren Nebenwirkungen. Doch Forscher gehen nun einen anderen Weg. Statt Krebszellen zu zerstören, wollen sie sie „altern“ lassen. Denn wenn Zellen altern, teilen sie sich nicht mehr. Ein Team der Queen Mary University of London hat dafür ein neues KI-System entwickelt, das genau diesen Prozess sichtbar macht – und dabei einen Wirkstoff entdeckt, der Tumoren in Schach hält, ohne sie zu töten.

Das Verfahren könnte die Art, wie wir Krebs behandeln, verändern. Die Idee dahinter: Der natürliche Alterungsprozess von Zellen – die sogenannte Seneszenz – kann gezielt genutzt werden, um Tumorwachstum zu stoppen. Die Künstliche Intelligenz erkennt winzige Veränderungen im Zellbild, die Menschen selbst unter dem Mikroskop nicht wahrnehmen können. Damit wird sichtbar, wann eine Krebszelle tatsächlich altert und in den Ruhezustand übergeht.

Wie eine KI erkennt, wann Zellen wirklich alt werden

Das Forschungsteam um Ryan Wallis und Cleo Bishop hat das System „SAMP-Score“ entwickelt. Es basiert auf maschinellem Lernen und analysiert Tausende hochauflösende Zellbilder. Jede Zelle besitzt dabei eine eigene „morphologische Handschrift“ – Form, Struktur und Oberfläche verraten, ob sie gesund, gestresst oder gealtert ist.

Die KI lernte, diese winzigen Unterschiede zu erkennen. Anhand der Daten konnte sie zuverlässig unterscheiden, ob eine Zelle in den Alterungsmodus übergegangen ist oder nur auf Stress reagiert. So lässt sich erstmals exakt bestimmen, ob ein Wirkstoff die Seneszenz wirklich auslöst. „Unser Modell kann unterscheiden, ob Zellen tatsächlich altern – oder einfach beschädigt wurden,“ so die Forscher.

 

Neuer Ansatz in der Krebsforschung

Mit der Methode testeten die Wissenschaftler rund 10.000 verschiedene Substanzen. Dabei stießen sie auf eine Verbindung namens QM5928. Diese Substanz stoppte das Wachstum von Tumorzellen, ohne sie zu zerstören – ein ungewöhnlicher Effekt. Besonders bemerkenswert: Der Wirkstoff wirkte auch bei basal-ähnlichem Brustkrebs, einer aggressiven Form, die häufig resistent gegen gängige Medikamente wie Palbociclib ist.

 

Quelle: fr.de