Hybrid‑Latente Räume entschlüsseln Struktur‑Connectome – neue VAE‑Ansatz

Wissenschaftler haben einen innovativen Ansatz entwickelt, um die komplexen Strukturen des Gehirns besser zu verstehen. Durch die Kombination von kontinuierlichen und diskreten latenten Variablen in einem variationalen Autoencoder (VAE) gelingt es, die vielfältigen Einflüsse auf die Gehirnverbindungen präziser abzubilden.

Die Studie nutzt ein umfangreiches Datenset von 5 761 strukturellen Connectomen, die aus sechs Alzheimer‑Studien stammen und zehn verschiedene Bildgebungsprotokolle abdecken. Jeder Connectom repräsentiert einen einzelnen Scan eines einzigartigen Probanden – 3 579 Frauen und 2 182 Männer im Alter von 22 bis 102 Jahren. Unter ihnen sind 4 338 Personen mit normaler kognitiver Funktion, 809 mit leichter kognitiver Beeinträchtigung (MCI) und 614 mit Alzheimer‑Krankheit. Die Netzwerke umfassen 121 Hirnregionen, definiert durch den BrainCOLOR‑Atlas.

Der hybride VAE trennt die latenten Variablen in einen diskreten Teil, der sich besonders gut für die Erfassung von Standort‑unabhängigen Unterschieden eignet, und einen kontinuierlichen Teil, der die Stärke der Verbindungen beschreibt. Im Vergleich zu klassischen Methoden wie PCA oder einem Standard‑VAE erreicht der diskrete Raum mit einem Adjusted Rand Index (ARI) von 0,65 eine deutlich höhere Übereinstimmung mit den Bildgebungsstandorten. Damit demonstriert die neue Technik eine überlegene Fähigkeit, subtile, aber wichtige Unterschiede in den Daten zu erkennen.

Diese Fortschritte eröffnen neue Möglichkeiten, die Pathophysiologie von Alzheimer und anderen neurodegenerativen Erkrankungen zu untersuchen. Durch die präzisere Modellierung der strukturellen Verbindungen können Forscher besser verstehen, wie verschiedene Faktoren – von genetischen Merkmalen bis hin zu Bildgebungsbedingungen – die Gehirnvernetzung beeinflussen. Der hybride VAE stellt damit ein leistungsfähiges Werkzeug für die zukünftige Analyse großer neuroimaging‑Datensätze dar.