LUMINA: Neuer Graphen-Ansatz verbessert fMRI‑Diagnose von ADHS und Autismus

Die funktionelle Magnetresonanztomographie (fMRI) ist inzwischen ein etabliertes Verfahren zur Messung der Gehirnaktivität. In den letzten Jahren hat sich der Trend verlagert, fMRI‑Daten für KI‑gestützte Diagnosen zu nutzen, da das Gehirn als stark vernetztes Ganzes betrachtet wird.

Graph Convolutional Networks (GCN) haben sich als führende Architektur für diese Aufgabe etabliert, weil sie Regionen des Gehirns (ROIs) als dynamisch verknüpfte Knoten behandeln und die Beziehungen zwischen ihnen extrahieren können. Ein Problem dieser Netzwerke ist jedoch, dass die wiederholte Glättung der Features über die Knoten hinweg die kontrastierenden Dynamiken, die für die Erkennung bestimmter neurologischer Störungen entscheidend sein können, verwischt.

Um diese strukturelle Engstelle zu überwinden, wurde LUMINA entwickelt – ein Quad‑Stream‑GCN, das eine bipolare ReLU‑Aktivierung und einen dualen Spektral‑Graph‑Laplacian‑Filter verwendet. Dadurch werden heterogene Dynamiken erhalten, die in herkömmlichen GCN oft verloren gehen, und die Vielfalt der neuronalen Verbindungen in jedem fMRI‑Datensatz bleibt erhalten.

In einer 5‑Fold‑Kreuzvalidierung auf den Datensätzen ADHD200 (N = 144) und ABIDE (N = 579) zeigte LUMINA stabile diagnostische Leistungen in zwei der wichtigsten Anwendungsbereiche. Die Ergebnisse deuten darauf hin, dass der Ansatz ein vielversprechender Schritt zur Verbesserung der KI‑gestützten Analyse neuroentwicklungsbedingter Erkrankungen darstellt.