Translating Imaging-based Brain Age Models for Predicting Accelerated Brain Ageing in African Populations: A Pilot Study on a Nigerian Cohort.

Das menschliche Gehirn ist kein statisches Organ; es verändert seine Form und Struktur, während wir älter werden. Genau wie unsere Haut im Laufe der Zeit Falten entwickelt oder unsere Knochen an Dichte verlieren, durchläuft das Gehirn eine natürliche, graduelle Transformation. Wissenschaftler haben gelernt, diese Veränderungen mittels Magnetresonanztomographie, oder MRT, zu messen, um ein Konzept namens „Hirnalter“ (Brain Age) zu erstellen. Dies ist eine Zahl, die schätzt, wie alt das Gehirn einer Person basierend auf seiner physischen Struktur aussieht, statt danach, wie viele Jahre sie tatsächlich gelebt hat. Wenn ein Gehirn älter erscheint als das tatsächliche Alter der Person, kann dies ein Signal dafür sein, dass das Organ unter Stress steht oder einem Risiko für Krankheiten wie Demenz ausgesetzt ist. Jahrelang haben Forscher diese Idee genutzt, um versucht zu haben, Gesundheitsprobleme frühzeitig zu erkennen. Die Werkzeuge, die zur Berechnung dieses Hirnalters verwendet werden, weisen jedoch einen erheblichen Mangel auf: Sie wurden fast ausschließlich unter Verwendung von Daten von Menschen aus Nordamerika, Europa und Australien entwickelt. Diese Modelle gehen davon aus, dass alle menschlichen Gehirne auf die gleiche Weise altern, unabhängig davon, wo ein Mensch lebt oder was sein Hintergrund ist. Diese Annahme ignoriert die Tatsache, dass Genetik, Umwelt und sogar die spezifischen Maschinen, die die Bilder aufgenommen haben, beeinflussen können, wie ein Gehirn aussieht.

Ein Team von Forschern setzte sich zum Ziel, zu testen, ob diese im Westen entwickelten Werkzeuge für Menschen in Afrika, speziell in Nigeria, funktionieren. Sie bedienten sich des Africa Neuroimaging Archive (AfNiA), einer multi-institutionellen Datenbank, die über 11.000 klinische Hirnscans aus dem gesamten Kontinent enthält. Aus diesem riesigen Archiv wählten sie sorgfältig 309 Scans von neurologisch gesunden Erwachsenen aus Nigeria aus, was bedeutet, dass sie keine bekannten Hirnerkrankungen oder Anomalien aufwiesen. Diese spezifischen Scans stammten aus einer Vielzahl von Quellen, darunter öffentliche und private Krankenhäuser in Nigeria, und wurden mit fünf verschiedenen Typen von MRT-Geräten aufgenommen. Viele dieser Bilder waren nicht die gestochen scharfen, hochauflösenden 3D-Bilder, die typischerweise in der Forschung verwendet werden; stattdessen handelte es sich oft um schnellere, qualitativ minderwertigere 2D-Schichten, die aufgenommen wurden, um Patienten schnell durch die Klinik zu bewegen. Um diese Bilder für ihre Studie nutzbar zu machen, verwendeten die Teammitglieder ein Computerprogramm, um die 2D-Schichten in 3D-Bilder umzuwandeln, wobei sie effektiv die Lücken füllten, um ein vollständiges Bild des Gehirns zu erstellen. Sie unterzogen diese Bilder anschließend einem strengen Qualitätscheck und entfernten alle Scans, die zu unscharf oder verzerrt waren, um sie als nützlich einzustufen, wodurch sie sicherstellten, dass ihr endgültiger Datensatz angesichts der realen Rahmenbedingungen so zuverlässig wie möglich war.

Mit ihrem bereinigten Datensatz bereit, trainierte das Team ein neues Computermodell, um die Beziehung zwischen der Gehirnstruktur und dem Alter speziell für diese nigerianische Bevölkerung zu erlernen. Sie brachten dem Modell bei, auf die Größe und Form verschiedener Hirnregionen zu achten und vorherzusagen, wie alt die Person war. Als sie dieses neue Modell testeten, lagen die Vorhersagen vor der Anwendung einer standardmäßigen statistischen Anpassung im Durchschnitt um etwa 9,8 Jahre daneben. Nach einer einfachen Korrektur, um eine häufige Tendenz dieser Modelle zu berücksichtigen, bei der jüngere Menschen zu alt und ältere Menschen zu jung eingeschätzt werden, sank der Fehler signifikant auf nur noch 6,4 Jahre. Dieses Maß an Genauigkeit ist vergleichbar mit den besten Modellen, die auf großen, hochwertigen Datensätzen aus dem Globalen Norden trainiert wurden, wurde jedoch mit Daten erreicht, die wesentlich repräsentativer für die lokale Bevölkerung waren.

Um zu sehen, wie gut die alten, importierten Modelle abschneiden würden, testeten die Forscher vier verschiedene etablierte Werkzeuge zum Hirnalter an denselben nigerianischen Daten. Diese Werkzeuge waren mit Zehntausenden von Scans von Menschen aus dem Vereinigten Königreich, den USA und Europa trainiert worden. Die Ergebnisse waren drastisch. Die importierten Modelle machten viel größere Fehler, wobei einige im Durchschnitt mehr als 16 Jahre daneben lagen. Eines der fortschrittlichsten Deep-Learning-Modelle, das für seine Fähigkeit gelobt worden war, auf neue Gruppen zu generalisieren, versagte völlig bei einem kleinen Teil der Scans und war nicht einmal in der Lage, die Bilder zu verarbeiten. Ein anderes Modell schnitt so schlecht ab, dass es tatsächlich die falsche Richtung der Alterung für die Gruppe vorhersagte. Die Forscher fanden heraus, dass diese Modelle im Wesentlichen versuchten, die nigerianischen Gehirne in ein Muster zu pressen, das sie nie gesehen hatten, was zu Verwirrung und ungenauen Ergebnissen führte. Die Studie zeigte, dass selbst die anspruchsvollsten Werkzeuge nicht einfach über Kontinente hinweg übertragen werden können, ohne ihre Zuverlässigkeit zu verlieren.

Die Studie hob auch die praktischen Herausforderungen hervor, diese Technologien in ressourcenarmen Gebieten einzuführen. Obwohl das von ihnen entwickelten neue Modell genau war, nahm der Prozess der Vorbereitung der Bilder eine enorme Zeit in Anspruch. Das Konvertieren und Analysieren der Scans für alle 309 Teilnehmer erforderte fast 40 Tage kontinuierlicher Computerverarbeitung. Dieser Engpass, der durch die Notwendigkeit verursacht wurde, die Gehirnbilder in spezifische Teile zu zerlegen, bevor das Modell sie lesen konnte, stellt eine große Hürde für die Nutzung dieser Werkzeuge in geschäftigen Krankenhäusern dar, in denen Geschwindigkeit entscheidend ist. Die Forscher merkten an, dass zwar neuere, schnellere Methoden existieren, diese jedoch oft leistungsstarke, teure Computer erfordern, die in vielen Teilen Afrikas nicht verfügbar sind. Dies schafft einen schwierigen Zielkonflikt: Die genauesten Modelle sind zu langsam und zu teuer für einen breiten Einsatz, während die schnelleren Modelle oft weniger genau sind oder bei lokalen Daten völlig versagen.

Letztendlich zeigt diese Arbeit, dass der Weg zu einer besseren Gehirngesundheit in Afrika einen anderen Ansatz erfordert. Es reicht nicht aus, die in wohlhabenden Nationen entwickelten Werkzeuge zu nehmen und sie auf afrikanische Populationen anzuwenden. Die Forscher zeigten, dass sie durch die Verwendung lokaler Daten zur Erstellung lokaler Modelle Ergebnisse erzielen konnten, die sowohl genauer als auch relevanter für die untersuchten Menschen waren. Sie kamen zu dem Schluss, dass die Zukunft der globalen Gehirngesundheit von der Schaffung eines diversen Ökosystems an Werkzeugen abhängt, von denen jedes für die spezifischen Populationen validiert ist, für die sie entwickelt wurden. Während sie weiterhin Daten aus dem gesamten Kontinent sammeln, hoffen sie, diese Modelle weiter zu verfeinern, um schließlich ein System zu schaffen, das Personen, die einem beschleunigten Altern des Gehirns ausgesetzt sind, zuverlässig identifizieren kann, was eine frühzeitige Intervention und eine bessere Versorgung für Millionen von Menschen ermöglicht, die lange Zeit aus dem Gespräch ausgeschlossen waren.