Normative modeling in neuroimaging across psychiatric and neurological disorders: a systematic review and the NORMA reporting checklist
Diese systematische Übersicht über 122 Neuroimaging-Studien hebt den Wandel hin zur individualisierten normativen Modellierung in der Psychiatrie und Neurologie hervor, identifiziert kritische Lücken in den empirischen Grundlagen sowie der Berichterstattungstransparenz und führt die 18-Punkte-NORMA-Checkliste ein, um die Modellkonstruktion, Validierung und klinische Anwendung zu standardisieren.
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
Stellen Sie sich vor, Sie sind ein Arzt, der herausfinden möchte, ob ein Kind gesund aufwächst. Seit über einem Jahrhundert fragen Sie nicht einfach nur: „Ist diese Gruppe von Kindern größer als jene Gruppe?“ Stattdessen nehmen Sie eine Wachstumstabelle zur Hand. Diese Tabelle zeigt den normalen Bereich der Körpergröße für jedes Alter und jedes Geschlecht. Sie schauen nicht bloß auf den Durchschnitt; Sie schauen darauf, wo dieses spezifische Kind auf der Kurve liegt. Wenn es weit abseits der Tabelle liegt, ist das ein Hinweis darauf, dass etwas nicht stimmen könnte. Das ist die Kraft des „normativen Modellierens“.
Seit Jahrzehnten versuchen Neurowissenschaftler, mentale und neurologische Störungen (wie Schizophrenie oder Autismus) zu verstehen, indem sie das Durchschnittshirn einer Patientengruppe mit dem Durchschnittshirn gesunder Menschen vergleichen. Es ist, als würde man die durchschnittliche Körpergröße eines Basketballteams mit der durchschnittlichen Körpergröße eines Fußballteams vergleichen. Aber dieser Ansatz hat einen großen Fehler: Er behandelt jeden in der Gruppe so, als wäre er gleich. In Wirklichkeit sind Gehirne chaotisch. Zwei Menschen mit derselben Diagnose können völlig unterschiedliche Hirnprobleme haben, und zwei Menschen mit unterschiedlichen Diagnosen können dieselben Hirn-Eigenheiten teilen. Das „Durchschnittshirn“ verbirgt oft die einzigartige, individuelle Geschichte der Person, die einem gegenüber sitzt. Diese Arbeit stellt eine entscheidende Frage: Können wir uns endlich vom Vergleich von Gruppen zum Verständnis von Individuen bewegen, und machen wir das richtig?
Das große Ganze: Ein systematischer Review
Diese Arbeit ist ein massiver „systematischer Review“, was im Grunde eine super detaillierte Schatzsuche ist. Die Autoren, angeführt von Shinichiro Luke Nakajima und einem Team von Forschern, haben die wissenschaftliche Literatur durchforstet, um jede Studie zu finden, die versucht hat, diesen „Wachstumstabelle“-Ansatz auf das Gehirn anzuwenden. Sie fanden 122 Studien, die darauf passen und zwischen 2018 und Anfang 2025 veröffentlicht wurden.
Hier ist, was sie über den aktuellen Stand des Feldes herausgefunden haben:
1. Die Werkzeuge werden immer schicker
Die Wissenschaftler modernisieren ihre mathematischen Werkzeuge. In der Vergangenheit verwendeten die meisten Studien eine Methode namens Gauß-Prozess-Regression (GPR). Doch vor kurzem hat sich das Feld hin zu komplexeren und flexibleren Methoden entwickelt, insbesondere zur Bayesianischen Regression und zur distributionellen Regression. Denken Sie daran wie an einem Upgrade von einem einfachen Lineal zu einem 3D-Scanner, der nicht nur die durchschnittliche Höhe messen kann, sondern auch, wie sehr Menschen in der Höhe und Gestalt variieren. Bis 2024 wurden diese neueren Methoden in fast 60 % der Studien verwendet.
2. Das Problem der „Referenzgruppe“
Um eine Gehirn-Wachstumstabelle zu erstellen, benötigt man eine riesige, gesunde Referenzgruppe, um zu definieren, was „normal“ aussieht. Die Autoren fanden heraus, dass einige Studien zwar massive Datensätze verwendeten (bis zu 77.157 Personen!), der Median der Studien jedoch nur 642 Personen nutzte. Das ist etwas klein, um eine perfekte Karte der Extreme zu erhalten.
Noch wichtiger ist, dass die „Karte“ oft verzerrt ist. Die größten Datensätze, auf die sich viele Forscher stützen, stammen überwiegend aus dem Vereinigten Königreich und den USA und sind überwiegend weiß. Die Arbeit weist darauf hin, dass, wenn Ihre Referenzkarte hauptsächlich für einen Typ Mensch gezeichnet ist, die „Abweichungswerte“ (wie weit jemand von der Karte abweicht) für Menschen anderer Herkunft falsch sein könnten. Es ist, als würde man eine Wachstumstabelle verwenden, die für Erwachsene gemacht wurde, um einen Kleinkind zu messen; die Zahlen mögen „abnormal“ aussehen, aber das liegt nur daran, dass die Tabelle für die falsche Gruppe erstellt wurde.
3. Die „Black Box“ der Validierung
Dies ist die größte Sorge der Autoren. Nur weil man ein schickes Modell gebaut hat, heißt das noch lange nicht, dass es bei neuen Menschen funktioniert. Die Autoren fanden heraus, dass eine externe Validierung – also das Testen des Modells an einer völlig neuen Gruppe gesunder Menschen aus einem anderen Ort – in nur 8 % der Studien berichtet wurde.
Stellen Sie sich eine Wetter-App vor, die Regen in Ihrer Stadt perfekt vorhersagt, aber noch nie in einer Nachbarstadt getestet wurde. Wenn Sie diese App in die nächste Stadt mitnehmen, haben Sie keine Alei darüber, ob sie dort funktionieren wird. Das Paper legt nahe, dass wir ohne diesen Schritt nicht sicher sein können, ob die „abnormalen“ Hirnbefunde, die wir finden, real sind oder nur ein Fehler im Modell.
4. Die fehlenden Details
Den Forschern fiel auch auf, dass viele Studien nicht die ganze Geschichte erzählten. Während fast alle berichteten, was sie untersuchten, erklärten weniger als die Hälfte vollständig, wie sie ihre Modelle bauten oder wer genau in ihren Patientengruppen war. Haben sie Medikamente berücksichtigt? Haben sie andere gesundheitliche Probleme geprüft? Ohne diese Details ist es schwer, Studien zu vergleichen oder den Ergebnissen zu vertrauen.
Die Lösung: Die NORMA-Checkliste
Da das Feld so schnell wächst, aber die Berichterstattung so inkonsistent ist, haben die Autoren ein neues Werkzeug namens NORMA (NORmative Modeling Assessment) entwickelt. Es ist eine 18-Punkte-Checkliste, vergleichbar mit einer Checkliste eines Piloten vor dem Flug. Sie zwingt die Forscher dazu, transparent zu sein über:
- Wie sie ihre Referenzgruppe aufgebaut haben.
- Wie sie Unterschiede zwischen verschiedenen Scannern oder Krankenhäusern behandelt haben.
- Wie sie ihr Modell validiert haben.
- Wie sie die Ergebnisse für Patienten interpretiert haben.
Das Fazit
Die Arbeit kommt zu dem Schluss, dass sich die Methoden zur Erstellung dieser individuellen Hirnkarten zwar verbessern und komplexer werden, das Fundament jedoch noch wackelig ist. Die Technologie ist bereit, Ärzten dabei zu helfen, Individuen zu behandeln, aber die Daten und die Berichtsstandards sind noch nicht ganz so weit.
Die Autoren legen nahe, dass diese individuellen „Abweichungswerte“ als leistungsstarke Forschungswerkzeuge betrachtet werden sollten und noch nicht als eigenständige Werkzeuge für klinische Entscheidungen, solzu wir nicht über größere, vielfältigere Referenzgruppen verfügen und Forscher ihre Modelle rigoros an neuen Populationen testen (externe Validierung). Wir bauen gerade den Motor, aber wir müssen erst sicherstellen, dass die Karte für alle korrekt ist, bevor wir auf die Straße fahren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.