End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence

Das menschliche Gehirn ist keine statische Sammlung von Teilen, sondern ein dynamisches, fließendes Netzwerk, in dem Informationen ständig zwischen verschiedenen Regionen reisen. Um zu verstehen, wie das Gehirn funktioniert und wie es bei Verletzungen versagt, untersuchen Wissenschaftler drei Arten von Verbindungen. Die strukturelle Konnektivität ist die physische Verdrahtung, vergleichbar mit den Straßen selbst. Die funktionelle Konnektivität misst, wie oft verschiedene Bereiche gleichzeitig aktiv werden, ähnlich wie Verkehrsmuster, die zufällig zusammenfallen. Die effektive Konnektivität geht einen Schritt weiter und fragt, welche Region tatsächlich das Signal an die andere sendet, wodurch eine Ursache-Wirkungs-Beziehung im Informationsfluss etabliert wird. Für Patienten, die unter einem Schlaganfall leiden, bei dem der Blutfluss zu einem Teil des Gehirns blockiert ist, werden diese Netzwerke gestört. Der Schaden ist selten nur ein einfaches Loch im Gewebe; er pflanzt sich durch das gesamte System fort und verändert, wie Informationen von einer Seite des Geverses zur anderen fließen. Das Verständnis dieser spezifischen Änderungen in Richtung und Zeitabfolge ist entscheidend für die Diagnose der Schwere eines Schlaganfalls und die Vorhersage der Genesung eines Patienten, doch traditionelle Werkzeuge haben oft Schwierigkeiten, diese komplexen, einseitigen Flüsse genau abzubilden.

In einer neuen Studie haben Forscher der AGH Universität Krakau und des Sano Center for Computational Medicine eine vollständige Pipeline entwickelt, um diese kausalen Flüsse abzubilden und sie zu nutzen, um zwischen gesunden Gehirnen und durch einen Schlaganfall geschädigten Gehirnen zu unterscheiden. Das Team begann mit Magnetresonanztomographie-Daten von 104 Schlaganfallpatienten und 26 gesunden Probanden. Diese Scans erfassten die Aktivität des Gehirns über die Zeit, aufgeschlüsselt in 100 distinkte Regionen. Anstatt Standardmethoden zu verwenden, die oft eine einfache, zweiseitige Beziehung zwischen Regionen annehmen, setzten die Forscher eine spezialisierte computergestützte Technik namens Reservoir Computing ein. Dieser Ansatz behandelt die Gehirnaktivität als ein komplexes, zeitbasiertes System, was es dem Computer ermöglicht zu lernen, wie das Signal in einer Region das Signal in einer anderen beeinflusst, wodurch die Richtung des Informationsflusses effektiv rekonstruiert wird. Das Ergebnis war eine detaillierte Karte der „effektiven Konnektivität“ für jede Person, dargestellt als gerichteter Graph, in dem Pfeile genau zeigen, welche Hirnregionen die Aktivität anderer Regionen antreiben.

Sobald diese Karten erstellt waren, speisten die Forscher sie in eine Art künstliche Intelligenz ein, die darauf spezialisiert ist, Netzwerke zu analysieren, bekannt als Graph Convolutional Neural Network. Das Ziel war es zu sehen, ob der Computer lernen kann, zwischen den Gehirnnetzwerken von Schlaganfallpatienten und gesunden Kontrollgruppen zu unterscheiden, basierend ausschließlich auf diesen gerichteten Karten. Das System war erfolgreich und identifizierte die Gruppen mit einer Genauigkeit, die einem Wert von 0,69 auf einer Standardleistungsskala entsprach. Dies mag bescheiden klingen, ist aber eine signifikante Verbesserung gegenüber früheren Methoden, die auf älteren statistischen Techniken wie der Granger-Kausalität basierten, welche niedrigere Werte lieferten. Die Studie fand explizit heraus, dass der neue Reservoir-Computing-Ansatz die Nuancen der gestörten Netzwerke des Gehirns besser erfasste als die traditionelle Methode, insbesondere indem er aufzeigte, wie das Gleichgewicht zwischen der linken und rechten Hemisphäre bei Patienten unterbrochen war.

Der vielleicht wertvollste Teil dieser Arbeit war nicht nur die Klassifizierung, sondern die Fähigkeit zu erklären, warum der Computer seine Entscheidungen traf. Mithunter einem Werkzeug namens LIME konnten die Forscher in den „Denkprozess“ der künstlichen Intelligenz blicken, um zu sehen, welche spezifischen Verbindungen im Gehirn am wichtigsten für die Identifizierung eines Schlaganfalls waren. Sie entdeckten, dass die aussagekräftigsten Anzeichen einer Störung bei Patienten in den Netzwerken zu finden waren, die für die Aufmerksamkeit zuständig sind – sowohl im oberen als auch im unteren Bereich der Aufmerksamkeitssteuerung des Gehirns. Im Gegensatz dazu wurden die gesunden Kontrollpersonen durch die Integrität ihrer Visions- und Sprachnetzwerke identifiziert. Dieser Befund deckt sich mit dem bekannten Wissen über Schlaganfall-Symptome, wie etwa der Aphasie, bei der die Sprachverarbeitung beeinträchtigt ist. Die Studie legt nahe, dass der Ort des Schlaganfalls eine immense Bedeutung hat; Patienten mit Schäden auf der rechten Seite des Gehirns zeigten eine schwerwiegendere Unterbrechung der symmetrischen Kommunikation zwischen den Hemisphären, wahrscheinlich weil die rechte Hemisphäre weniger in die Sprache involviert ist und stärker unter den Auswirkungen des Schadens durch die Kettenreaktion leidet.

Die Forscher betonen, dass dies ein End-to-End-Framework ist, was bedeutet, dass es rohe Gehirnscans nimmt und sie in eine klare, interpretierbare Diagnose verwandelt, ohne dass menschliche Experten jede Verbindung manuell nachverfolgen müssen. Obwohl der Datensatz heterogen war, da Schlaganfälle an vielen verschiedenen Stellen im Gehirn auftraten, gelang es dem System, einen gemeinsamen Nenner der Störung zu finden. Die Studie behauptet nicht, die Schlaganfall-Diagnose gelöst zu haben, noch deutet sie darauf hin, dass dieses Werkzeug bereit für den sofortigen Einsatz in einem Krankenhaus ist. Stattdessen demonstriert sie einen lebensfähigen Weg nach vorn und zeigt, dass die Kombination aus fortschrittlicher kausaler Modellierung und erklärbarer künstlicher Intelligenz die verborgenen Mechanismen von Hirnverletzungen offenlegen kann. Indem sie komplexe Neuroimaging-Daten in eine visuelle Karte unterbrochener Verbindungen verwandelt, bietet diese Arbeit einen neuen Weg, um zu verstehen, wie das Gehirn versagt, was potenziell zu besseren Wegen zur Stratifizierung von Patienten und zur individuellen Anpassung von Behandlungen in der Zukunft führen kann.