Neues Deep-Learning-Modell erkennt ADHS mit dynamischer Gehirnvernetzung

Ein neu entwickeltes Deep‑Learning‑Framework namens D‑GATNet nutzt dynamische funktionelle Konnektivität, um Aufmerksamkeitsdefizit‑Hyperaktivitätsstörung (ADHS) zuverlässig zu identifizieren. Durch die Kombination von Graph‑Attention‑Netzwerken und zeitlicher Aufmerksamkeitsmechanismen bietet das Modell nicht nur hohe Genauigkeit, sondern auch nachvollziehbare Erklärungen für seine Entscheidungen.

Die Grundlage bilden funktionelle Magnetresonanztomographie‑Daten (fMRI), bei denen mittels gleitender Fenster die Pearson‑Korrelation zwischen Regionen des Gehirns berechnet wird. So entstehen Sequenzen von funktionellen Gehirn‑Graphen, in denen die Regionen als Knoten und die Verbindungsstärken als Kanten dargestellt werden.

Für die räumliche Abhängigkeit wird ein mehrschichtiges Graph‑Attention‑Netzwerk eingesetzt, während die zeitlichen Veränderungen durch eine 1‑D‑Konvolution gefolgt von einer temporalen Aufmerksamkeitsschicht modelliert werden. Diese Architektur ermöglicht es, sowohl die Struktur als auch die Dynamik der Gehirnvernetzung präzise zu erfassen.

Die Interpretierbarkeit des Modells wird durch die Analyse der Graph‑Attention‑Gewichte, die die wichtigsten Region‑Region-Interaktionen hervorheben, sowie durch ROI‑Wichtungswerte, die die einflussreichsten Hirnregionen identifizieren, gewährleistet. Zusätzlich betont die temporale Aufmerksamkeitskomponente die besonders informativen Zeitabschnitte der Konnektivität.

In Experimenten auf dem Peking‑University‑Datensatz der ADHD‑200‑Kohorte erzielte D‑GATNet bei einer 10‑Fold‑Cross‑Validation mit einem 5‑Seed‑Ensemble eine balancierte Genauigkeit von 85,18 % ± 5,64 % und einen AUC‑Wert von 0,881 – deutlich besser als bisherige Methoden.

Die Aufmerksamkeitsanalyse legt nahe, dass insbesondere die cerebellären Regionen und das Default‑Mode‑Netzwerk eine zentrale Rolle bei der Unterscheidung von ADHS‑Patienten spielen, was neue Einblicke in die neurobiologischen Grundlagen der Störung liefert.