Neues SSL-Verfahren R-NCE liefert bessere Alzheimer-Biomarker aus MRI

Die frühzeitige Erkennung und Überwachung von Alzheimer‑Krankheit (AD) hängt entscheidend von sensiblen, biologisch fundierten Biomarkern ab. Strukturelle Magnetresonanztomographie (MRI) ist dabei weit verbreitet, nutzt jedoch meist handgefertigte Merkmale wie kortikale Dicke oder Volumen.

Forscher haben untersucht, ob selbstüberwachtes Lernen (Self‑Supervised Learning, SSL) aus denselben Bilddaten stärkere Biomarker extrahieren kann. Bisherige SSL‑Ansätze haben die herkömmlichen FreeSurfer‑Features in Klassifikations‑ und Vorhersageaufgaben unterschritten.

Mit dem neuen Framework Residual Noise Contrastive Estimation (R‑NCE) wird ein innovativer Ansatz verfolgt: Es integriert zusätzliche FreeSurfer‑Features und maximiert gleichzeitig informationsrelevante, augmentation‑invariante Signale. Dadurch werden die Bilddaten optimal genutzt, ohne auf manuell definierte Merkmale angewiesen zu sein.

R‑NCE übertrifft sowohl traditionelle Features als auch bestehende SSL‑Methoden in mehreren Benchmarks, darunter die Vorhersage von AD‑Konversionen. Die Leistung zeigt, dass das Verfahren robustere und aussagekräftigere Biomarker liefert.

Zur Bewertung der biologischen Relevanz wurden Brain‑Age‑Gap‑Messungen (BAG) abgeleitet und Genome‑Wide Association Studies (GWAS) durchgeführt. R‑NCE‑BAG weist eine hohe Erblichkeit auf und zeigt signifikante Assoziationen mit den Genen MAPT und IRAG1. Zudem sind die Ergebnisse in Astrozyten und Oligodendrozyten angereichert, was auf eine hohe Sensitivität gegenüber neurodegenerativen und zerebrovaskulären Prozessen hinweist.