Neues Dual‑Attention Graph Network verbessert fMRI‑Klassifikation bei Autismus

Ein neues Forschungsframework aus dem Bereich der Neurowissenschaften nutzt dynamische Graphen und spatio‑temporale Aufmerksamkeitsmechanismen, um die Klassifikation von funktionellen Magnetresonanztomographie‑Daten (fMRI) zu optimieren. Durch die Kombination von Transformer‑basierten Attention‑Modulen und Graph Convolutional Networks (GCN) kann das Modell die sich ständig ändernde funktionelle Konnektivität des Gehirns in jedem Zeitschritt exakt erfassen.

Der Ansatz erstellt für jede Zeitintervall ein eigenes, dynamisches Netzwerk aus Gehirnregionen, das anschließend mit GCN‑ und Transformer‑Schichten verarbeitet wird. Dadurch werden sowohl lokale Interaktionen als auch globale zeitliche Abhängigkeiten gleichzeitig berücksichtigt. Im Vergleich zu herkömmlichen, statischen Graph‑Methoden erzielt das Modell auf dem ABIDE‑Datensatz eine Genauigkeit von 63,2 % und einen AUC‑Wert von 60,0 % – deutlich besser als die 51,8 % der reinen GCN‑Ansätze.

Die Ergebnisse zeigen, dass die gleichzeitige Modellierung von dynamischer Konnektivität und spatio‑temporaler Kontextinformation die Klassifikation von fMRI‑Daten für die Diagnose des Autismus-Spektrum‑Störungsspektrums erheblich verbessert. Diese Fortschritte legen den Grundstein für weiterentwickelte, datengetriebene Diagnosetools in der Neurowissenschaft.