Interpretable Decoding of Frequency-Resolved Functional Connectivity

Das menschliche Gehirn ist ein riesiges Netzwerk aus Milliarden von Zellen, das ständig Signale über lange Distanzen austauscht, um Denken, Bewegung und Wahrnehmung zu koordinieren. Um zu verstehen, wie diese Kommunikation funktioniert, schauen Wissenschaftler oft auf die funktionelle Konnektivität, was im Wesentlichen eine Karte davon ist, wie verschiedene Regionen des Gehirns miteinander kommunizieren. Wenn Forscher diese Aktivität mittels Magnetoenzephalographie, oder MEG, messen, erfassen sie die magnetischen Felder, die durch elektrische Ströme im Gehirn erzeugt werden. Diese Technologie ermöglicht es ihnen, diese Verbindungen in Echtzeit zu sehen, aufgeschlüsselt nach der Geschwindigkeit oder Frequenz, mit der die Signale reisen. Da sich diese Kommunikationsmuster im Laufe des Alterns verändern und sich mit verschiedenen Gehirnzuständen verschieben, könnte das Finden eines zuverlässigen Weges, sie zu lesen, Ärzten helfen, frühe Anzeichen neurologischer Störungen zu identifizieren oder zu verfolgen, wie sich das Gehirn eines Menschen entwickelt.

Ein Forschungsteam hat sich kürzlich der Herausforderung gestellt, diese komplexen Muster zu entschlüsseln, um spezifische Gehirnzustände vorherzusagen, indem sie einen neuen Ansatz wählten, der fortschrittliches maschinelles Lernen mit traditioneller Analyse kombiniert. Sie konzentrierten sich auf eine große Gruppe von 576 gesunden Erwachsenen aus der Cam-CAN-Kohorte, einer bekannten Sammlung von Gehirndaten. Das Ziel war es zu sehen, ob sie das Alter einer Person allein durch den Blick auf deren Ruhezustands-Hirnaktivität – dem leisen, Hintergrundgeplapper des Geistes, wenn eine Person wach ist, aber keine spezifische Aufgabe ausführt – genau schätzen könnten. Zu diesem Zweck entwickelten sie ein spezialisiertes Computerprogramm, ein Deep-Learning-Framework namens FC-CNN, das darauf ausgelegt ist, direkt aus den frequenzaufgelösten Daten der funktionellen Konnektivität zu lernen. Das bedeutet, dass das Programm analysierte, wie die Stärke der Verbindungen zwischen Hirnarealen über verschiedene Signalgeschwindigkeiten hinweg variierte, anstatt nur einen einzelnen Durchschnittswert zu betrachten.

Die Forscher testeten ihr neues System gegen Standardmethoden, die Wissenschaftler seit Jahren verwenden. Sie verglichen die Leistung des Deep-Learning-Modells mit konventionellen Regressionsverfahren, bei denen es sich um statistische Werkzeuge handelt, die nach geradlinigen Beziehungen zwischen Datenpunkten suchen. Die Studie untersuchte zwei Hauptarten der Messung der Hirnkommunikation: eine basierend auf der Stärke der Signalamplitude, also wie laut das Signal ist, und eine andere basierend auf der Phasensynchronisation, welche verfolgt, wie perfekt die zeitliche Abstimmung der Signale in verschiedenen Bereichen aufeinander abgestimmt ist. Die Ergebnisse zeigten, dass das Deep-Learning-Modell die traditionellen Methoden übertraf. Darüber hinaus ergaben die Daten, dass die Nutzung der Signalstärke, oder Amplitude-Envelope-Korrelation, konsistent zu besseren Vorhersagen führte als die Nutzung der zeitlichen Abstimmung der Signale.

Über die bloße Erzielung einer höheren Genauigkeit hinaus zeigten die Forscher, dass ihr Modell verstanden werden kann und nicht nur eine „Black Box“ ist. Sie zeigten, dass die internen Einstellungen, oder Gewichte, des trainierten Computermodells untersucht werden konnten, um offenzulegen, welche spezifischen Muster der Hirnaktivität am wichtigsten für das Treffen einer korrekten Vorhersage waren. Dies bietet eine Möglichkeit, die neurophysiologische Aktivität zu interpretieren, die die Ergebnisse antreibt, und bietet eine klarere Sicht darauf, was das Gehirn tatsächlich tut, wenn es diese Vorhersagen trifft. Die Arbeit legt nahe, dass dieser Ansatz erfolgreich Gehirnzustände aus MEG-Daten dekodiert und das Potenzial besitzt, prädiktive Marker für Hirnstörungen zu entdecken, was ein präziseres Werkzeug für das Verständnis der komplexen Mechanik des menschlichen Geistes darstellt.