Forscher des Instituts für Neurosciences, einer gemeinsamen Einrichtung des spanischen Forschungsrates CSIC und der Miguel-Hernández-Universität Elche, haben eine neuartige Methode zur Analyse von Gehirn-MRT-Scans entwickelt. Durch die Kombination von künstlicher Intelligenz und physikalischen Computer-Simulationen konnten sie die Bearbeitungszeit für fortgeschrittene Magnetresonanztomografien (dMRI) um bis zu 90 % verkürzen, ohne dabei an Genauigkeit zu verlieren. Die Ergebnisse dieser Studie wurden im Fachjournal Communications Medicine veröffentlicht und eröffnen Perspektiven für effizientere und zugänglichere neuroimaging-Verfahren in klinischen Umgebungen. Im Gegensatz zu gängigen Ansätzen, bei denen KI-Modelle mit echten Patientendaten trainiert werden, setzte das Forschungsteam auf eine Strategie, die auf der Physik des Diffusionsprozesses im Gehirn basiert. Mithilfe von Computersimulationen wurden künstliche Datensätze generiert, um neuronale Netze zu trainieren. Diese Modelle schätzen Parameter ab, die als Biomarker für den Zustand des Gewebes dienen, und benötigen dafür lediglich einen Bruchteil der üblichen Messdaten. Die Forscherinnen und Forscher Silvia De Santis und Maximilian Eggl betonen, dass dieser Ansatz nicht nur die Datenerfassungszeit drastisch reduziert, sondern auch Verzerrungen vermeidet, die oft in traditionellen klinischen Datensätzen vorkommen. Da Simulationen beliebig viele Daten erzeugen können, ist das Team zudem unabhängig von der Verfügbarkeit von Patienten und umgeht Datenschutzprobleme. Die Methode stützt sich auf fortschrittliche Techniken wie die diffusionsgewichtete MRT, die es ermöglichen, die Bewegung von Wasser im Gehirn non-invasiv zu untersuchen und Rückschlüsse auf die Mikrozustuktur des Gewebes zu ziehen. Künstliche Intelligenz rekonstruiert daraus präzise Details des Gehirngewebes. Ein zentrales Ergebnis der Studie zeigt, dass das trainierte Netzwerk eine hohe Genauigkeit erreicht, wenn nur zehn Prozent der normalerweise erforderlichen Daten verwendet werden. Dies hat direkte Auswirkungen auf Krankenhäuser mit langen Wartelisten. Praktisch könnte dies bedeuten, dass eine Untersuchung, die bisher rund 40 Minuten dauerte, auf etwa acht Minuten verkürzt wird. Diese Effizienzsteigerung würde es ermöglichen, innerhalb gleicher Zeiträume mehr Patienten zu behandeln. Darüber hinaus eröffnet das Verfahren neue Möglichkeiten für die Erforschung neurodegenerativer Erkrankungen wie Alzheimer, die eine lange präklinische Phase aufweisen können, in der keine Symptome sichtbar sind. Während die klinische Diagnose solcher Krankheiten noch oft auf veralteten Techniken beruht, könnte dieser neue Ansatz eine detailliertere Analyse und damit eine frühere Diagnose ermöglichen. Ein weiteres bemerkenswertes Potenzial liegt in der Nachanalyse von MRT-Daten, die vor Jahrzehnten erhoben wurden. Da diese alten Aufnahmen aufgrund damals begrenzter Technologien oft nur begrenzt ausgewertet werden konnten, ermöglicht die neue simulationsbasierte Methode eine Neubewertung, um neue relevante Informationen über neurologische Erkrankungen zu extrahieren. Dieser Fortschritt markiert einen signifikanten Wandel in der Anwendung von KI in der Neuroimaging-Forschung und verspricht, die klinische Versorgung erheblich zu verbessern.