An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals

Das menschliche Gehirn ist ein riesiges, summendes Netzwerk aus elektrischen Signalen, das ständig in Mustern feuert, die sich mit unseren Gedanken, Emotionen und dem Gesundheitszustand verändern. Jahrzehntelang haben sich Ärzte auf Interviews und Beobachtungen verlassen, um komplexe psychische Erkrankungen wie Schizophrenie zu diagnostizieren – eine Störung, die die Art und Weise verändert, wie ein Mensch denkt, fühlt und mit seiner Umwelt interagiert. Während diese klinischen Methoden zwar essenziell sind, jedoch auch subjektiv sind, was oft zu Verzögerungen oder Fehlklassifizierungen führt. In den letzten Jahren haben Wissenschaftler die Elektroenzephalografie, oder EEG, in den Blick genommen, eine nicht-invasive Technik, bei der Sensoren auf der Kopfhaut platziert werden, um die elektrische Aktivität des Gehirns aufzuzeichnen. Im Gegensatz zu teuren Hirnscans ist das EEG erschwinglich und tragbar und bietet ein direktes Fenster in die Echtzeit-Dynamik des Gehirns. Die Herausforderung bestand schon immer darin, dass diese elektrischen Signale unglaublich komplex und subtil sind, was es schwierig macht, die spezifischen Muster zu erkennen, die ein gesundes Gehirn von einem durch eine Krankheit beeinträchtigten Gehirn unterscheiden.

Ein Forschungsteam von mehreren Universitäten aus dem Iran hat einen neuen Weg entwickelt, um dieses Problem anzugehen, indem es ein System schuf, das diese Muster nicht nur identifiziert, sondern auch genau erklärt, wie es sie gefunden hat. Durch die Analyse von Aufzeichnungen von 101 Personen – 51 mit der Diagnose Schizophrenie und 50 gesunde Freiwillige – entwickelten die Forscher ein Framework für maschinelles Lernen, das in der Lage ist, die beiden Gruppen mit bemerkenswerter Genauigkeit zu unterscheiden. Die Studie konzentrierte sich auf zwei spezifische Zustände: wenn die Teilnehmer mit geschlossenen Augen dasaßen und wenn sie mit offenen Augen dasaßen. Das System rät nicht einfach nur; es sieben tausende mathematische Beschreibungen der Gehirnwellen aus, wählte die aussagekräftigsten aus und nutzte einen leistungsstarken Computeralgorithmus, um seine Entscheidung zu treffen. Entscheidend war, dass die Forscher nicht bei einer einfachen „Ja oder Nein“-Antwort stehen blieben. Sie nutzten eine Methode, um die Schichten der Entscheidungsfindung des Computers freizulegen und zu enthüllen, welche spezifischen Teile des Gehirns und welche Arten der elektrischen Aktivität für die Diagnose am wichtigsten waren.

Der Kern dieser Arbeit liegt darin, wie die Forscher mit dem enormen Volumen der von den EEG-Sensoren gesammelten Daten umgegangen sind. Jede Aufzeichnung erzeugte eine massive Menge an Informationen, viel zu viele, als dass ein Computer sie effizient verarbeiten könnte, ohne verwirrt zu werden. Um dies zu lösen, nutzte das Team einen schrittweisen Auswahlprozess, um die zwanzig nützlichsten Messwerte aus den Tausenden verfügbaren zu finden. Diese Messwerte waren keine einfachen Durchschnittswerte; sie beinhalteten komplexe Beschreibungen darüber, wie chaotisch oder geordnet die Gehirnwellen waren, sowie wie viel Energie in verschiedenen Geschwindigkeitsbereichen der Signale vorhanden war. Sobald dieser kleinere, qualitativ hochwertige Datensatz bereit war, testeten die Forscher zehn verschiedene Arten von Computerlernmodellen, um zu sehen, welches die Patienten am besten von den gesunden Kontrollpersonen trennen konnte. Sie verwendeten eine strenge Testmethode, bei der der Computer an Daten von fast allen trainiert wurde und dann an einer einzelnen Person getestet wurde, die er zuvor noch nie gesehen hatte, wobei dies für jeden Teilnehmer wiederholt wurde, um sicherzustellen, dass die Ergebnisse echt und nicht nur ein Glückstreffer waren.

Die Ergebnisse zeigten, dass die Computermodelle am besten funktionierten, wenn die Teilnehmer die Augen geschlossen hatten. In diesem ruhigen, ruhenden Zustand identifizierten die erfolgreichsten Modelle die Erkrankung etwa 81 Prozent der Zeit korrekt. Die Modelle, die am besten funktionierten, waren jene, die imitieren, wie eine Gruppe von Experten über eine Entscheidung abstimmt, indem sie viele kleine Urteile kombinieren, um zu einem endgültigen Schluss zu gelangen. Als die Teilnehmer ihre Augen öffneten, konnten die Modelle die Gruppen zwar immer noch unterscheiden, aber die Genauigkeit sank leicht, was darauf hindeutet, dass die interne, ruhende Aktivität des Gehirns deutlichere Anzeichen der Störung liefert als die Aktivität während der Verarbeitung der Außenwelt. Der Computer verließ sich nicht auf eine einzige Art von Signal, um diese Urteile zu fällen; statlich stellte er fest, dass eine Mischung aus verschiedenen Messwerten am besten funktionierte. Die wichtigsten Signale kamen aus dem vorderen und seitlichen Teil des Gehirns, wobei insbesondere die Geschwindigkeit der Wellen und die Komplexität ihrer Muster eine Rolle spielten.

Perhaps die bedeutendste Leistung dieser Studie ist die Transparenz, die sie dem Prozess verleiht. In vielen bisherigen Versuchen, Computer für die medizinische Diagnose einzusetzen, agiert das System als „Black Box“, die eine Antwort gibt, ohne zu erklären, warum. Hier nutzten die Forscher ein Werkzeug, um die Merkmale zu kartieren, die die Entscheidungen des Computers vorangetrieben haben. Sie fanden heraus, dass das einflussreichste Signal ein Maß für die Komplexität aus der Mitte des Vorderkopfes war. Wenn dieses Signal hochkomplex war, neigte der Computer zur Diagnose Schizophrenie; wenn es einfacher war, neigte er zur gesunden Diagnose. Andere Schlüssel-Signale umfassten die Stärke spezifischer Gehirnwellen-Rhythmen in den temporalen Regionen an den Seiten des Kopfes. Dieser Befund deutet darauf hin, dass die Störung nicht durch einen einzelnen defekten Teil des Gehirns definiert wird, sondern durch eine Kombination von Veränderungen in der Art und Weise, wie verschiedene Regionen Informationen verarbeiten und wie chaotisch ihre elektrische Aktivität wird.

Die Forscher wiesen sorgfältig darauf hin, dass ihr System zwar gut funktionierte, aber an einer spezifischen Gruppe von Menschen aus einem einzigen medizinischen Zentrum getestet wurde. Dies bedeutet, dass die Ergebnisse vielversprechend sind, aber noch keine endgültige Lösung für jedes Krankenhaus auf der Welt darstellen. Die Studie argumentiert explizit gegen die Vorstellung, dass einfache, kleinteilige Tests ausreichen, und zeigt auf, dass frühere Studien mit sehr wenigen Teilnehmern oft übermäßig optimistische Ergebnisse lieferten, die sich bei strengeren Tests nicht halten konnten. Durch die Verwendung einer größeren Gruppe von Menschen und einer strengeren Testmethode liefert diese Studie ein realistischeres Bild dessen, was möglich ist. Die Arbeit zeigt, dass die Kombination aus einer sorgfältigen Auswahl von Gehirnwellen-Messwerten und fortgeschrittenem maschinellem Lernen ein zuverlässiges Werkzeug für die Diagnose schaffen kann. Sie beweist auch, dass diese Werkzeuge verständlich gemacht werden können, indem sie Ärzten und Patienten genau zeigen, welche biologischen Anzeichen für die Herleitung einer Schlussfolgerung verwendet werden. Dieser Ansatz bietet einen Weg zu objektiveren, gehirnbasierten Werkzeugen, die Ärzten eines Tages helfen könnten, Schizophrenie früher und genauer zu diagnostizieren, indem sie über subjektive Interviews hinaus zu einem klareren Verständnis der elektrischen Realität des Gehirns gelangen.