Neues Diffusionsmodell revolutioniert Normatives Modellieren in der Neurobildgebung

In der Neurobildgebung ermöglicht das neue Ansatzmodell, sogenannte Denoising Diffusion Probabilistic Models (DDPMs), ein ganzheitliches Verständnis biologischer Messwerte. Traditionell werden für jede bildgebende Kennzahl (IDP) separate Modelle erstellt, wodurch wertvolle multivariate Zusammenhänge verloren gehen. DDPMs hingegen schätzen die gesamte bedingte Dichte der IDPs gleichzeitig und liefern daraus präzise Zentile und klinisch interpretierbare Abweichungswerte durch gezieltes Sampling.

Die Autoren nutzen zwei leistungsstarke Denoiser: einen Feature‑wise Linear Modulation (FiLM) basierten Multilayer Perceptron (MLP) und einen tabellarischen Transformer namens SAINT, der sowohl Feature‑Selbst‑Attention als auch Intersample‑Attention einsetzt. Beide Modelle konditionieren auf Covariate‑Embeddings, um die Abhängigkeiten zwischen Merkmalen optimal zu erfassen.

Die Leistungsfähigkeit wurde an einem synthetischen Benchmark mit heteroskedastischen und multimodalen Alterswirkungen sowie an realen UK‑Biobank FreeSurfer‑Phänotypen getestet, wobei die Dimensionalität von 2 bis 200 variierte. Die Evaluation umfasste Zentile‑Kalibrierung, Verteilungs‑Fidelity, multivariate Abhängigkeitsdiagnostik und eine Analyse der Nearest‑Neighbour‑Memorisation.

Ergebnisse zeigen, dass bei niedrigen Dimensionalitäten die Diffusionsmodelle vergleichbare, gut kalibrierte Ergebnisse liefern wie herkömmliche Baselines. In höheren Dimensionen übertrifft insbesondere der Transformer‑Backbone die MLP‑Variante deutlich, indem er die Kalibrierung verbessert und komplexe höhere‑Ordnung‑Abhängigkeiten bewahrt.