💬 NLP

Neuro-Oracle: A Trajectory-Aware Agentic RAG Framework for Interpretable Epilepsy Surgical Prognosis

Die Arbeit stellt Neuro-Oracle vor, ein dreistufiges Framework, das longitudinale MRT-Veränderungen bei Epilepsie-Patienten nutzt, um durch einen abfragbaren Agenten auf historischen Daten basierende, interpretierbare chirurgische Prognosen zu generieren und dabei die Leistungsfähigkeit herkömmlicher Einzelzeitpunkt-Modelle zu übertreffen.

Ursprüngliche Autoren: Aizierjiang Aiersilan, Mohamad Koubeissi

Veröffentlicht 2026-04-17

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Aizierjiang Aiersilan, Mohamad Koubeissi

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

🧠 Neuro-Oracle: Der „Wissensspeicher" für Epilepsie-Operationen

Stellen Sie sich vor, ein Arzt muss entscheiden, ob eine Operation bei einem Patienten mit schwerer Epilepsie erfolgreich sein wird. Das ist wie eine Wette auf die Zukunft. Bisher haben Ärzte oft nur einen einzigen Moment betrachtet (ein Foto vor der Operation) und geraten, was passieren könnte.

Das Team um Aizierjiang Aiersilan und Mohamad Koubeissi hat einen neuen, cleveren Weg entwickelt, den sie Neuro-Oracle nennen. „Oracle" bedeutet „Orakel" – also etwas, das die Zukunft vorhersagt.

Hier ist, wie das Orakel funktioniert, in drei einfachen Schritten:

1. Der Zeitreise-Vergleich (Das „Vorher-Nachher"-Foto)

Stellen Sie sich vor, Sie wollen wissen, ob ein Baum gesund wächst. Ein normales Foto zeigt nur den Baum heute. Aber Neuro-Oracle macht etwas Besseres: Es nimmt ein Foto vor der Operation und eines danach und legt sie übereinander.

Die Analogie: Es ist wie ein Schattenvergleich. Wenn Sie einen Schatten vor und nach einem Regen vergleichen, sehen Sie genau, wo das Wasser hingeflossen ist.
Was das System tut: Es schaut sich nicht nur die Bilder an, sondern berechnet die genauen Veränderungen im Gehirn des Patienten (die „Reise" des Gehirns von vor der OP bis danach). Diese Reise wird in einen kleinen, kompakten Code (einen „Reisevektor") umgewandelt.

2. Der riesige Archiv-Schrank (Die Suche nach Gleichgesinnten)

Das System hat einen riesigen digitalen Schrank voll mit alten Fällen von anderen Patienten. Wenn ein neuer Patient hereinkommt, sucht das System nicht nach einem perfekten Match, sondern nach den ähnlichsten Reisen.

Die Analogie: Stellen Sie sich vor, Sie haben eine Reiseplanung für eine neue Stadt. Anstatt nur eine Landkarte zu lesen, fragen Sie fünf andere Reisende, die genau denselben Weg gegangen sind. „Wie war das Wetter dort? Gab es Probleme?"
Was das System tut: Es findet im Archiv die 5 Patienten, deren Gehirnveränderungen am ähnlichsten zu denen des neuen Patienten sind. Es schaut: „Wie ist es diesen 5 Leuten ergangen?"

3. Der kluge Übersetzer (Die KI, die erklärt)

Bisher gaben Computer nur eine trockene Zahl aus: „85 % Erfolgswahrscheinlichkeit". Das hilft Ärzten wenig bei der Erklärung. Neuro-Oracle nutzt eine spezielle KI (ein großes Sprachmodell namens Llama-3), die wie ein erfahrener Experte agiert.

Die Analogie: Stellen Sie sich einen klugen Richter vor. Er sieht die Beweise (die 5 ähnlichen Fälle aus dem Archiv) und schreibt dann einen klaren, verständlichen Bericht. Er sagt nicht nur „Schuldig" oder „Unschuldig", sondern erklärt: „Ich sage das, weil Patient A und B, die fast identische Gehirne hatten, erfolgreich waren, aber Patient C, der älter war, Probleme hatte."
Das Besondere: Die KI erfindet nichts (sie „halluziniert" nicht). Sie stützt sich strikt auf die Beweise aus dem Archiv. Sie gibt dem Arzt also nicht nur eine Vorhersage, sondern eine begründete Geschichte, warum diese Vorhersage getroffen wurde.

🏆 Was hat das gebracht?

Die Forscher haben das System an echten Patientendaten getestet (268 Fälle).

Der alte Weg: Ein einfacher Computer, der nur ein einziges Bild sah, lag bei der Vorhersage oft falsch oder war sehr vorsichtig.
Der neue Weg (Neuro-Oracle): Da er die Veränderung über die Zeit betrachtet und auf echte historische Fälle zurückgreift, ist er viel genauer.
Der Gewinner: Eine Variante des Systems (das „Ensemble") war sogar noch genauer als das Orakel selbst, aber das Orakel hat den großen Vorteil: Es kann erklären, warum.

💡 Warum ist das wichtig?

In der Medizin ist Vertrauen alles. Ein Arzt muss einem Computer nicht blind vertrauen. Mit Neuro-Oracle kann der Arzt sagen:

„Wir empfehlen diese Operation, weil unser System 5 ähnliche Fälle gefunden hat, bei denen es funktioniert hat, und die KI kann genau erklären, warum Ihr Gehirn diesen Weg wahrscheinlich erfolgreich gehen wird."

Es ist wie der Unterschied zwischen einem Wahrsager, der nur eine Zahl nennt, und einem weisen Mentor, der Ihnen die Geschichte hinter der Zahl erzählt.

Zusammengefasst: Neuro-Oracle ist ein smarter Assistent, der die Geschichte des Gehirns liest, nach ähnlichen Geschichten in der Vergangenheit sucht und dem Arzt dann eine klare, nachvollziehbare Empfehlung gibt.

1. Problemstellung

Die Vorhersage des postoperativen Anfallsergebnisses bei Patienten mit pharmakoresistenter Epilepsie stellt eine große klinische Herausforderung dar.

Limitationen bestehender Ansätze: Herkömmliche Deep-Learning-Methoden basieren meist auf statischen, einzelnen präoperativen MRT-Aufnahmen. Sie ignorieren longitudinale morphologische Veränderungen (z. B. fortschreitende kortikale Atrophie), die für die Prognose entscheidend sein können.
Datenknappheit: Epilepsie-Chirurgie-Kohorten sind oft klein (einige hundert Patienten), was hochkapazitative End-to-End-Klassifikatoren anfällig für Overfitting macht.
Fehlende Interpretierbarkeit: Standard-Klassifikatoren liefern nur Wahrscheinlichkeitswerte ohne nachvollziehbare klinische Begründung, was ihre Akzeptanz in der chirurgischen Entscheidungsfindung einschränkt.
Datengrundlage: Da für den verwendeten öffentlichen Datensatz (EPISURG) keine wahren Anfallsergebnisse (Engel-Scores) vorliegen, wird ein klinischer Proxy-Label verwendet, der auf dem Resektions-Typ basiert (temporal vs. nicht-temporal). Dies dient als Proof-of-Concept für die Architektur, nicht als endgültige klinische Validierung.

2. Methodik: Das Neuro-Oracle-Framework

Neuro-Oracle ist ein dreistufiges Framework, das Longitudinaldaten mit Retrieval-Augmented Generation (RAG) kombiniert.

Phase 1: Kontrastives Trajektorien-Encoding

Architektur: Ein 3D-Siamesischer Netzwerk-Ansatz (basierend auf einem geteilten 3D ResNet-50 Backbone) verarbeitet Paare aus präoperativen ( $X_{t0}$ ) und postoperativen ( $X_{t1}$ ) T1-gewichteten MRTs.
Verarbeitung: Die postoperativen Scans werden starr (rigid) an die präoperativen registriert, um geometrische Ausrichtung zu gewährleisten, ohne lokale Volumenänderungen durch nicht-lineare Deformation zu glätten.
Merkmalsextraktion: Die Differenz zwischen den beiden Encodings wird durch einen MLP-Kopf projiziert und normalisiert, um einen kompakten 512-dimensionalen Trajektorienvektor ( $\Delta v$ ) zu erzeugen, der die morphologische Veränderung kodiert.
Training: Das Modell wird mit einer Kombination aus Supervised Contrastive Loss (für bessere Klassenabtrennung) und Focal Loss (zur Bewältigung des 4:1 Klassenungleichgewichts) trainiert.

Phase 2: Populationsarchiv und Trajektorien-Retrieval

Nach dem Training wird ein Archiv aller Trainingsvektoren in einem FAISS-Index (exakte innere Produkt-Suche) gespeichert.
Für einen neuen Patienten (Query) werden die $k=5$ historisch ähnlichsten Trajektorien basierend auf der kosinussimilarität im Vektorraum gesucht.

Phase 3: Kalibrierter LLM-Reasoning-Agent

RAG-Ansatz: Die Metadaten des Patienten (Alter, Geschlecht) und die Daten der $k$ gefundenen Nachbarn werden als strukturierter Prompt an einen quantisierten Llama-3-8B-Instruct-Agenten (4-bit NF4 Quantisierung) gesendet.
Logik: Der Agent agiert als Experte für Epileptologie. Er erhält die Anweisung, Nachbarn mit einem Altersunterschied von mehr als 15 Jahren mental zu filtern.
Verdict: Der Agent generiert ein Urteil („SUCCESS" oder „FAILURE") mit einer einzigen Begründungssatz.
Kalibrierung: Das Endergebnis ist eine gewichtete Kombination aus der Mehrheitsstimme der Nachbarn ( $p_{neighbor}$ ) und der LLM-Entscheidung ( $p_{LLM}$ ):
$p_{Oracle} = 0.60 \cdot p_{neighbor} + 0.40 \cdot p_{LLM}$
Dies sorgt für eine Balance zwischen geometrischer Evidenz und semantischer Begründung.

3. Wichtige Beiträge

Trajektorien-basierte Vorhersage: Erstmals wird ein Framework vorgestellt, das morphologische Veränderungen zwischen prä- und postoperativen Scans in einen kompakten Vektor kodiert, anstatt nur statische Scans zu nutzen.
Agentic RAG in der Medizin: Anwendung von Retrieval-Augmented Generation mit einem LLM-Agenten für die 3D-medizinische Bildgebung, um interpretierbare, evidenzbasierte Prognosen zu liefern.
Interpretierbarkeit ohne Performance-Verlust: Das System liefert für jede Vorhersage eine nachvollziehbare Begründung, während es die Leistung rein diskriminativer Modelle erreicht.
Reproduzierbarkeit: Alle Komponenten basieren auf Open-Source-Tools und öffentlichen Datensätzen.

4. Ergebnisse

Die Evaluation erfolgte auf dem EPISURG-Datensatz ( $N=268$ ) mittels 5-fach-stratifizierter Kreuzvalidierung.

Vergleich mit Baselines:
- Trajektorien-basierte Methoden übertrafen die statischen Baselines (ResNet-50 und 3D-ViT auf einzelnen Scans) deutlich in der Sensitivität für die Minderheitsklasse.
- Die Siamese Diversity Ensemble (M6) erreichte die höchste AUC von 0,905 (ohne LLM-Overhead).
- Neuro-Oracle (M5) erreichte eine AUC von 0,867, was mit der reinen geometrischen Baseline (3D-ViT) vergleichbar ist, aber den Vorteil der Interpretierbarkeit bietet.
Sensitivität vs. Spezifität:
- Neuro-Oracle zeigte eine hohe Spezifität (0,921), aber eine moderate Sensitivität (0,566) beim Standard-Schwellenwert.
- Durch Optimierung des Schwellenwerts (auf 0,34) konnte die Sensitivität auf 0,698 gesteigert werden, bei Beibehaltung einer hohen Spezifität.
Qualität des Retrievals:
- Die Top-5-Fidelity lag bei 83,0 %, was bedeutet, dass in den meisten Fällen mindestens ein korrekt gelabelter Nachbar im Suchergebnis enthalten war.
- Der LLM-Agent zeigte eine 0 % Halluzinationsrate unter dem Audit-Protokoll (keine Informationen außerhalb des Kontextfensters).
- Die Einhaltung der Altersfilter-Regel lag bei 73,9 %.

5. Bedeutung und Fazit

Neuro-Oracle demonstriert, dass die Kombination aus longitudinalen Bilddaten und agentic RAG-Systemen einen vielversprechenden Weg für die klinische Entscheidungsunterstützung darstellt.

Klinischer Nutzen: Die Fähigkeit, eine Prognose mit einer nachvollziehbaren Begründung zu liefern, ist für Chirurgen wertvoller als ein reiner „Black-Box"-Score, selbst wenn die reine AUC leicht unter dem besten Ensemble-Modell liegt.
Architektonischer Beweis: Das Framework dient als Proof-of-Concept für die Nutzung von Trajektorienvektoren und LLMs in der Neurochirurgie.
Einschränkungen und Ausblick: Da die Ergebnisse auf einem Proxy-Label basieren (Resektions-Typ statt wahrem Anfallsergebnis) und die Kohorte klein und zentralisiert ist, sind die Zahlen vorläufig. Zukünftige Arbeiten müssen echte Outcome-Register integrieren und die Generalisierbarkeit auf andere Zentren testen.

Zusammenfassend bietet Neuro-Oracle einen neuen Standard für interpretierbare KI in der Epilepsie-Chirurgie, der die Lücke zwischen hoher diskriminativer Leistung und klinischer Nachvollziehbarkeit schließt.