Neues Graph-Neuronales Netzwerk erkennt frühzeitig Pornografie‑Sucht bei Jugendlichen

Eine aktuelle Studie aus dem Bereich der Neurowissenschaften präsentiert ein neuartiges Modell zur frühzeitigen Erkennung von Pornografie‑Sucht bei Jugendlichen. Das Problem liegt darin, dass Selbstberichte häufig von sozialem Stigma und subjektiver Verzerrung beeinflusst werden, sodass objektive neurobiologische Marker dringend benötigt werden.

Das vorgestellte Modell, ein Dynamic Spatio-Temporal Graph Neural Network (DST‑GNN), kombiniert die Phase Lag Index (PLI)-basierte Graph Attention Network (GAT) für die räumliche Modellierung mit einem Bidirectional Gated Recurrent Unit (BiGRU) zur Erfassung temporaler Dynamiken. Durch diese Kombination kann die sich schnell verändernde funktionelle Konnektivität des Gehirns während der Exposition gegenüber Suchtstimuli präzise erfasst werden.

Die Untersuchung umfasste 14 Jugendliche – sieben mit Sucht und sieben gesunde Kontrollpersonen – die mit 19‑Kanäle EEG unter neun experimentellen Bedingungen überwacht wurden. Mit Leave‑One‑Subject‑Out Cross Validation (LOSO‑CV) erzielte das Modell einen F1‑Score von 71,00 % ± 12,10 % und eine Sensitivität von 85,71 %, was einer Verbesserung von 104 % gegenüber dem Baseline-Modell entspricht.

Eine Ablationsanalyse zeigte, dass die zeitliche Komponente des Modells einen Beitrag von 21 % leistet, während die PLI‑Graphkonstruktion 57 % der Leistung ausmacht. Besonders hervorzuheben sind die frontal‑zentralen Regionen (Fz, Cz, C3, C4), die als dominante Biomarker identifiziert wurden, wobei Beta‑Wellen 58,9 % und Hjorth‑Parameter 31,2 % der Erkennung ausmachen. Die Konnektivität zwischen Cz und T7 wird als stabiler, trait‑level Biomarker für die objektive Screening‑Diagnostik vorgeschlagen.