Evaluating State-Transition Models in Short Resting-State fMRI with Continuous-Dynamics Controls

Das menschliche Gehirn ist keine statische Maschine; es ist eine lebendige, sich ständig verändernde Landschaft, in der riesige neuronale Netzwerke in einem ständigen, rhythmischen Gespräch aufleuchten und verblassen. Wissenschaftler versuchen schon lange, diese Gespräche zu kartieren, insbesondere in Momenten der Ruhe, wenn das Gehirn nicht auf eine bestimmte Aufgabe fokussiert ist. Ein populärer Weg, dies zu untersuchen, besteht darin, sich das Gehirn wie einen Reisenden vorzustellen, der zwischen einigen wenigen verschiedenen „Zuständen“ hin und her springt, vergleichbar mit einer Person, die zwischen verschiedenen Zimmern in einem Haus wechselt. Jedes Zimmer repräsentiert ein spezifisches Aktivitätsmuster, und die Reise zwischen ihnen soll offenbaren, wie sich das Gehirn organisiert. Dieser Ansatz stützt sich auf ein statistisches Werkzeug, das errät, wann das Gehirn von einem Zustand in einen anderen gesprungen ist, indem es diese Wechsel als plötzliche, diskrete Ereignisse behandelt. Dieses Verfahren setzt jedoch voraus, dass sich das Gehirn in Sprüngen bewegt, während die Realität der neuronalen Aktivität eher einem Fluss gleicht – glatt, kontinuierlich und niemals wirklich stoppend. Wenn die wahre Natur des Gehirns ein fließender Fluss ist, wir aber versuchen, sie als eine Reihe von Trittsteinen zu beschreiben, könnten wir Muster sehen, die gar nicht wirklich existieren.

Ein Forschungsteam setzte sich zum Ziel zu testen, ob diese scheinbaren Sprünge real sind oder nur eine Illusion, die durch die Art und Weise entsteht, wie wir die Daten betrachten. Sie verglichen zwei verschiedene Methoden, um vorherzusagen, was das Gehirn als Nächstes tun wird. Die erste Methode, die davon ausgeht, dass es diskrete Räume gibt, versucht zu erraten, was der nächste Moment ist, indem sie entscheidet, in welchem „Zustand“ sich das Gehirn gerade befindet. Die zweite Methode, die sie als Kontrollgruppe verwendeten, betrachtet einfach die jüngere Geschichte der Gehirnaktivität und sagt die Zukunft basierend auf diesem glatten, kontinuierlichen Fluss voraus, ohne anzunehmen, dass plötzliche Sprünge existieren. Um zu sehen, welche Methode besser war, erstellten sie tausende Computersimulationen. In einigen dieser Simulationen programmierten sie die Gehirnaktivität so, dass sie tatsächlich zwischen Zuständen springt. In anderen programmierten sie sie so, dass sie sich in einer glatten, kontinuierlichen Kurve bewegt, wie ein sich drehendes Rad oder eine rollende Welle. Sie ließen dann beide Vorhersagemethoden den nächsten Moment der Aktivität in diesen künstlichen Gehirnen erraten und sahen, welche Methode richtiger lag.

Die Ergebnisse waren eindeutig, wenn die Bedingungen stabil waren. Wenn das simulierte Gehirn tatsächlich zwischen Zuständen sprang, war die „Zimmer-Hopping“-Methode meist der bessere Vorhersager. Wenn sich das simulierte Gehirn jedoch glatt bewegte, war die Methode, die einen kontinuierlichen Fluss annahm, weitaus genauer. Dies deutete darauf an, dass die beiden Methoden im theoretischen Fall unterscheiden können, ob ein Gehirn springt oder fließt. Die Forscher führten jedoch eine Wendung ein, um zu sehen, wie fragil diese Schlussfolgerungen sein könnten. Sie hielten die zugrunde liegende Gehirnaktivität exakt gleich, änderten aber die Art und Weise, wie die Daten während der Testphase geglättet wurden, um die Art und Weise nachzuahmen, wie echte Gehirnscans oft verarbeitet werden, um Rauschen zu entfernen. In einer überraschenden Wendung führte diese kleine Änderung in der Handhabung der Daten dazu, dass die „Zimmer-Hopping“-Methode plötzlich wie der Gewinner aussah, obwohl das Gehirn immer noch eine glatte, kontinuierliche Kurve beschrieb. Die Methode, die Sprünge annahm, begann die glatten Daten besser vorherzusagen, schlicht weil sich die Art und Weise der Messung der Daten geändert hatte, und nicht, weil das Gehirn tatsächlich angefangen hatte zu springen.

Die Forscher wandten diesen Vergleich anschließend auf reale Gehirnscans von 270 Personen an, darunter Menschen mit normaler Kognition, leichten Gedächtnisproblemen und Demenz. Sie speisten die Daten aus diesen Scans in beide Vorhersagemodelle ein, um zu sehen, welches Modell den nächsten Moment der Gehirnaktivität besser erraten konnte. In der überwiegenden Mehrheit der Fälle war das Modell, das einen glatten, kontinuierlichen Fluss annahm, der bessere Vorhersager. Es übertraf das „Zimmer-Hopping“-Modell in 160 von 184 Aufzeichnungen, die lang genug waren, um zuverlässig zu sein, und sogar in vielen der kürzeren Aufzeichnungen. Dies deutet darauf hin, dass die Gehirnaktivität dieser Probanden während der Ruhephasen eher einem kontinuierlichen Strom gleicht als einer Abfolge diskreter Stationen. Darüber hinaus stellten die Forscher fest, dass das „Zimmer-Hopping“-Modell, wenn man es dazu zwang, Sprünge in den glatten, kontinuierlichen Simulationen zu finden, diese auch fand. Es identifizierte eine bevorzugte Bewegungsrichtung, als würde das Gehirn von einem Zustand in einen anderen wandern, obwohl keine solchen Zustände existierten. Dies bewies, dass das Modell eine Geschichte diskreter Übergänge aus einem Prozess erfinden kann, der vollkommen kontinuierlich war.

Die Studie kommt zu dem Schluss, dass das Sehen eines „Zustandswechsels“ in einem Scan nicht automatisch bedeutet, dass das Gehirn tatsächlich gewechselt hat. Die scheinbaren Sprünge könnten ein Artefakt der mathematischen Werkzeuge sein, mit denen die Daten analysiert werden, oder sie könnten das Ergebnis der Art und Weise sein, wie das Signal vor der Analyse gefiltert und geglättet wurde. Die Forscher fanden heraus, dass das Ändern des verwendeten Filters während des Tests die Ergebnisse umkehren konnte, sodass ein kontinuierlicher Prozess wie ein diskreter erscheint. Dies beweist nicht, dass das Gehirn niemals diskrete Zustände besitzt, aber es zeigt, dass wir nicht einfach voraussetzen können, dass sie existieren, nur weil ein Modell sie findet. Um die wahre Natur der Gehirnaktivität zu verstehen, müssen Wissenschaftler ihre Ergebnisse mit Modellen vergleichen, die einen kontinuierlichen Fluss annehmen, und sicherstellen, dass ihre Schlussfolgerungen bestehen bleiben, selbst wenn sich die Art und Weise ändert, wie sie ihre Daten messen. Die Beweise aus diesen Simulationen und realen Scans legen nahe, dass die Ruheaktivität des Gehirns oft ein kontinuierlicher Tanz von Fluktuationen ist, und dass die Interpretation als eine Folge plötzlicher Sprünge eine viel vorsichtigere Herangehensweise erfordert als bisher angenommen.