Within-cohort discrimination and cross-cohort transfer of EEG-based ADHD classifiers: An exploratory two-cohort evaluation
Diese explorative Studie zeigt auf, dass EEG-basierte Klassifikatoren zwar eine starke Diskriminierung innerhalb der Kohorte bei Erwachsenen mit ADHS erreichen, jedoch bei Kindern scheitern und oft umgekehrte Rankings über die Kohorten hinweg erzeugen, was signifikante Einschränkungen der Kohortenübergreifenden Übertragbarkeit aufgrund nicht getrennter Unterschiede in Alter, Aufgabe und Akquisition verdeutlicht.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Das menschliche Gehirn ist ein komplexes elektrisches Organ, das ständig Signale aussendet, die mit Sensoren an der Kopfhaut gemessen werden können. Diese Signale, bekannt als Elektroenzephalografie oder EEG, erzeugen für jeden Menschen einen einzigartigen elektrischen Fingerabdruck. Seit Jahrzehnten hoffen Wissenschaftler, diese Fingerabdrücke zu nutzen, um spezifische Gehirnzustände wie die Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung oder ADHS zu identifizieren. Die Idee dahinter ist: Wenn ein Computer lernen kann, die elektrischen Muster eines gesunden Gehirns gegenüber einem Gehirn mit ADHS zu erkennen, könnte dies Ärzten schließlich helfen, schneller und präzisere Diagnosen zu stellen. Es gibt jedoch eine große Hürde: Das Gehirn verändert sich, während wir wachsen, und die Art und Weise, wie wir diese Signale aufzeichnen, ändert sich je nachdem, was eine Person im Moment tut. Ein Muster, das bei einem Kind gefunden wird, das ruhig dasitzt, könnte sich stark von einem Muster unterscheiden, das bei einem Erwachsenen auftritt, oder sogar von dem desselben Kindes, das eine andere Aufgabe ausführt. Die große Frage ist, ob ein Computerprogramm, das darauf trainiert wurde, ADHS in einer Gruppe von Menschen zu erkennen, tatsächlich auch bei einer völlig anderen Gruppe funktionieren kann, oder ob es nur für die spezifische Gruppe funktioniert, für die es trainiert wurde.
Eine aktuelle Studie setzte sich genau mit diesem Problem auseinander und untersuchte dabei zwei sehr unterschiedliche Gruppen von Menschen. Die Forscher sammelten Daten von 121 Kindern, die eine visuelle Aufgabe ausführten, und 79 Erwachsenen, die sich einfach mit offenen Augen ausruhten. Sie verwendeten eine standardmäßige Methode des maschinellen Lernens, um ein Modell zu erstellen, das zwischen Menschen mit ADH und solchen ohne ADH unterscheiden konnte, aber sie gingen dabei sehr streng vor. Sie trainierten das Modell an einer Gruppe und versuchten dann sofort, es auf die andere Gruppe anzuwenden, ohne Änderungen oder Anpassungen vorzunehmen. Dies ist vergleichbar damit, einen Schüler darauf zu trainieren, eine bestimmte Vogelart in einem Wald zu erkennen, und ihn dann zu bitten, denselben Vogel in einem völlig anderen Wald mit anderem Licht und anderen Bäumen zu identifizieren, ohne ihm einen neuen Leitfaden zu geben.
Die Ergebnisse waren bemerkenswert und offenbarten eine tiefe Kluft zwischen dem, was innerhalb einer einzelnen Gruppe geschieht, und dem, was passiert, wenn man versucht, auf eine andere Gruppe überzutragen. Als die Forscher die Computermodelle an den Erwachsenen testeten, für die sie trainiert worden waren, arbeitete das System außergewöhnlich gut. Es identifizierte die Erwachsenen mit ADH zu etwa 95 % korrekt – ein Genauigkeitsniveau, das darauf hindeutet, dass die elektrischen Muster in der Erwachsenengruppe sehr deutlich und für den Computer leicht zu erlernen waren. Als dasselbe Computermodell, das an den Erwachsenen trainiert worden war, jedoch auf die Kinder angewendet wurde, versagte es völlig. Tatsächlich schnitt es schlechter ab als der Zufall: Das Modell stufte die Kinder mit ADH konsequent so ein, als wären sie gesund, und die gesunden Kinder so, als hätten sie die Störung. Das Gleiche galt umgekehrt: Ein Modell, das an den Kindern trainiert worden war, schnitt bei den Erwachsenen schlecht ab und ordnete die Gruppen oft in der entgegengesetzten Richtung dessen ein, was zu erwarten war.
Dieses Ergebnis ist nicht nur ein einfaches Versagen der Technologie; es verdeutlicht einen grundlegenden Unterschied darin, wie sich Gehirnsignale über Altersgruppen und Aufgaben hinweg verhalten. Die Forscher fanden heraus, dass die spezifischen elektrischen Merkmale, die die Klassifizierung der Erwachsenen so einfach machten, völlig andere waren als die Merkmale, die bei den Kindern hilfreich gewesen wären. In der Gruppe der Erwachsenen stützte sich der Computer stark auf die Frequenz der Gehirnwellen, ein Maß dafür, wie schnell die Signale oszillieren. Bei den Kindern lieferten dieselben Frequenzmaße fast keine nützlichen Informationen. Die Studie zeigte, dass selbst wenn die Forscher exakt dieselben Sensoren an denselben zwei Stellen am Kopf verwendeten und für exakt dieselbe Zeitspanne aufzeichneten, die zugrunde liegenden Daten so unterschiedlich waren, dass ein an einer Gruppe trainiertes Modell für die andere unbrauchbar wurde.
Die Forscher testeten auch, wie sich die Menge der zum Training verwendeten Daten auf die Ergebnisse auswirkte. Sie stellten fest, dass es das Problem nicht löste, dem Computer mehr Daten von den Kindern zur Verfügung zu stellen. Selbst als sie dem Modell jede verfügbare Aufnahme der Kinder einspeisten, blieb das an den Kindern trainierte Modell verwirrt, wenngleich sich seine Leistung leicht verbesserte und sich dem Zufallsniveau näherte, statt am Boden zu bleiben. Das an den Erwachsenen trainierte Modell blieb bei den Erwachsenen hochgradig genau, blieb aber für die Kinder unbrauchbar. Dies deutet darauf hin, dass das Problem nicht einfach ein Mangel an Daten oder eine Notwendigkeit längerer Trainingszeiten ist. Vielmehr verändert sich die Natur des Signals so drastisch zwischen einem Kind, das eine Aufgabe ausführt, und einem ruhenden Erwachsenen, dass eine einzige Regelmäßigkeit für beide nicht gelten kann.
Die Studie kommt zu dem Schluss, dass der Erfolg eines Brain-Computer-Modells eng mit der spezifischen Gruppe verknüpft ist, für die es entwickelt wurde. Ein Modell, das für eine Bevölkerungsgruppe perfekt funktioniert, funktioniert nicht automatisch auch für eine andere, selbst wenn das medizinische Diagnoseziel dasselbe ist. Die Forscher betonen, dass dies nicht bedeutet, dass die Technologie defekt ist oder dass ADHS nicht mittels Gehirnwellen nachgewiesen werden kann. Es bedeutet vielmehr, dass die derzeitigen Methoden noch nicht robust genug sind, um die Lücke zwischen verschiedenen Altersgruppen und verschiedenen Aktivitäten zu überbrücken. Die Ergebnisse dienen als notwendige Realitätsprüfung für das Fachgebiet und zeigen, dass eine hohe Genauigkeit in einem Setting keine Garantie für den Erfolg in einem anderen ist. Bis Wissenschaftler einen Weg finden, Modelle zu bauen, die diese tiefgreifenden Unterschiede zwischen Kindern und Erwachsenen oder zwischen verschiedenen Aufgaben verstehen, werden diese Werkzeuge auf die spezifischen Gruppen beschränkt bleiben, für die sie konzipiert wurden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.