KI-Modell macht Hirndiagnostik transparenter und effizienter

Neues KI-Architekturmodell revolutioniert transparentere Analyse von Gehirnscans für neurologische Erkrankungen Ein Forscherteam der Sungkyunkwan University (SKKU) in Südkorea, angeführt von Professor Tamer Abuhmed am InfoLab, hat eine neue KI-Architektur namens 4D fMRI CrossFormer (4DfCF) entwickelt. Die Veröffentlichung im IEEE Journal of Biomedical and Health Informatics markiert einen bedeutenden Schritt hin zu interpretierbaren und recheneffizienten Diagnosesystemen für Gehirnerkrankungen. Im Gegensatz zu herkömmlichen 3D-Bildern erfasst funktionelle Magnetresonanztomografie fMRI Daten über Raum und Zeit, was die Auswertung komplex macht. 4DfCF wurde speziell konzipiert, um diese räumlich-zeitlichen Aktivitätsmuster gleichzeitig zu analysieren, indem es Beziehungen zwischen benachbarten und weit entfernten Hirnregionen auf verschiedenen Skalen erlernt. Ein zentrales Anliegen des Forschungsprojekts ist die Verbesserung der Nachvollziehbarkeit von KI-Entscheidungen im klinischen Kontext. Durch den Einsatz erklärungsfähiger KI-Methoden generiert das System visuelle Karten, die jene Hirnareale hervorheben, die maßgeblich zu einer Vorhersage beitragen. Anstatt lediglich ein klassifiziertes Ergebnis auszugeben, liefert 4DfCF nachvollziehbare Evidenz, die Ärztinnen und Ärzte bei der Bewertung unterstützen kann. Die Validierung erfolgte anhand etablierter Benchmark-Datensätze zu Aufmerksamkeitsdefizit-Hyperaktivitätsstörung ADHS, Alzheimer-Demenz ADNI und Autismus-Spektrum-Störungen ABIDE. Das Modell überragte die Vergleichsarchitekturen in allen drei Datensätzen und erreichte auf dem Alzheimer-Datensatz einen F1-Score von 96,28 Prozent. Neben der diagnostischen Leistung zeichnet sich 4DfCF durch eine erhebliche Recheneffizienz aus. Der Hauptmodellansatz umfasst rund 10,34 Millionen Parameter, die leichtere Variante 4DfCF-T lediglich 4,18 Millionen. Dies ermöglicht einen deutlich geringeren Hardwarebedarf im Vergleich zu zahlreichen großen Vergleichsmodellen und erleichtert potenzielle Implementierungen auf Krankenhausservern. Darüber hinaus demonstrierte das Team die Effektivität von Transferlernen: Ein auf einem fMRI-Datensatz vortrainiertes Modell ließ sich schneller auf weitere Datensätze anpassen und erzielte verbesserte Ergebnisse. Dies legt den Grundstein für wiederverwendbare KI-Grundmodelle, die sich flexibel auf verschiedene neuroimaging-Aufgaben übertragen lassen. Die Arbeit von SKKU adressiert damit mehrere Kernanforderungen zukünftiger Medizin-KI: hohe Genauigkeit, Ressourcenfreundlichkeit, Skalierbarkeit und Transparenz. Durch die Kombination aus präziser Mustererkennung und visuell erklärbarer Entscheidungsfindung trägt 4DfCF dazu bei, KI-Systeme von reinen Blackbox-Tools zu vertrauenswürdigen Assistenzinstrumenten weiterzuentwickeln. Die aktuellen Ergebnisse beruhen ausschließlich auf Forschungsdatensätzen. Um die klinische Brauchbarkeit zu bestätigen, sind zukünftig Validierungen in realen Krankenhausumgebungen und an größeren, diversen Patientenkohorten erforderlich. Langfristig zielt das Projekt darauf ab, medizinisches Fachpersonal durch datenbasierte, interpretierbare Erkenntnisse zu unterstützen, ohne deren fachliche Urteilsbildung zu ersetzen.