Neues Diffusionsnetzwerk erkennt Alzheimer frühzeitig

Die frühzeitige Diagnose von Alzheimer bleibt eine große Herausforderung, weil sich strukturelle Veränderungen im Gehirn in den frühen Stadien subtil und zeitlich unregelmäßig zeigen. Traditionelle Deep‑Learning‑Ansätze benötigen große, longitudinal gesammelte Datensätze und können die zeitliche Kontinuität sowie die unregelmäßigen Modalitäten realer klinischer Daten oft nicht adäquat modellieren.

Um diese Grenzen zu überwinden, wurde das Diffusion‑Guided Attention Network (DiGAN) entwickelt. Das System kombiniert ein latentes Diffusionsmodell mit einer attention‑gesteuerten Convolution‑Netzwerk‑Architektur. Durch die Diffusion wird aus begrenzten Trainingsdaten realistische, longitudinale Neuro‑Imaging‑Trajektorien erzeugt, wodurch der zeitliche Kontext erweitert und die Robustheit gegenüber ungleichmäßig verteilten Untersuchungszeitpunkten verbessert wird.

Die anschließende attention‑Convolution‑Schicht erfasst dann diskriminierende strukturelle und zeitliche Muster, die normale Probanden von Personen mit leichtem kognitivem Defizit oder subjektivem kognitivem Abfall unterscheiden. In Experimenten mit synthetischen Daten sowie dem ADNI‑Korpus zeigte DiGAN eine deutlich bessere Leistung als aktuelle State‑of‑the‑Art‑Methoden und demonstriert damit großes Potenzial für die frühzeitige Erkennung von Alzheimer.