NeuroFM: Spezielles Foundation Model verbessert KI-Analyse in der Neuropathologie

Foundation‑Modelle haben die computergestützte Pathologie revolutioniert, indem sie allgemeine Repräsentationen aus riesigen Histologiedatensätzen liefern. Doch bisher wurden die meisten Modelle vorwiegend mit chirurgischen Pathologiedaten trainiert, die vorwiegend nicht‑nervöses Gewebe enthalten und Krankheiten wie Tumoren, Entzündungen oder Stoffwechselstörungen überrepräsentieren. Für die Neuropathologie – mit ihren einzigartigen Zelltypen, der charakteristischen Cytoarchitektur und spezifischen Pathologien wie neurofibrillären Tangles, Amyloid‑Plaques oder Lewy‑Körpern – ist diese Domänenunterschiede ein ernstes Problem.

Um diese Lücke zu schließen, hat ein internationales Forschungsteam NeuroFM entwickelt, ein Foundation‑Model, das ausschließlich auf Ganzscheibenbildern von Gehirngewebe trainiert wurde. Die Trainingsdaten umfassen eine breite Palette neurodegenerativer Erkrankungen, sodass das Modell die feinen morphologischen Muster erkennt, die für die Diagnose von Alzheimer, Parkinson und cerebellären Ataxien entscheidend sind.

In einer Reihe von Down‑stream‑Aufgaben hat NeuroFM die Leistung herkömmlicher, generischer Modelle deutlich übertroffen. Dazu gehören die Klassifikation von Mischdemenz, die Segmentierung des Hippocampus sowie die Identifikation verschiedener neurodegenerativer Ataxien, darunter cerebellärer essentieller Tremor und spinocerebelläre Ataxie‑Subtypen. Diese Ergebnisse zeigen, dass ein domänenspezifisch trainiertes Foundation‑Model die komplexen Merkmale der Neuropathologie besser erfassen kann.

Die Arbeit unterstreicht die Bedeutung von spezialisierten Modellen in der medizinischen Bildanalyse und legt den Grundstein für präzisere, KI‑gestützte Diagnostik in der Neuropathologie. NeuroFM demonstriert, dass gezieltes Training auf Gehirngewebe die Analyse von neurodegenerativen Erkrankungen signifikant verbessert und damit einen wichtigen Schritt in Richtung personalisierter Medizin darstellt.