Conditional Neural ODE zur Vorhersage der Langzeitprogression bei Parkinson

Parkinsons Erkrankung zeichnet sich durch heterogene, sich im Laufe der Zeit verändernde Gehirn‑Morphometrie‑Muster aus. Die Modellierung dieser langfristigen Trajektorien liefert mechanische Einsichten, unterstützt die Entwicklung neuer Therapien und ermöglicht die Erstellung individueller „digitaler Zwillinge“ für die Prognose.

Aktuelle Ansätze setzen vorwiegend auf rekurrente neuronale Netze oder Transformer‑Architekturen. Diese Methoden benötigen regelmäßig abgetastete Daten und haben Schwierigkeiten, unregelmäßige und spärlich vorhandene Magnetresonanztomographie‑Aufnahmen (MRI) in Parkinson‑Kohorten zu verarbeiten. Zudem gelingt es ihnen kaum, die individuelle Heterogenität – etwa Unterschiede im Krankheitsbeginn, in der Fortschrittsrate oder in der Symptomschwere – adäquat abzubilden.

Um diese Herausforderungen zu überwinden, wurde CNODE (Conditional Neural ODE) entwickelt. CNODE modelliert die morphologischen Veränderungen des Gehirns als kontinuierliche zeitliche Prozesse mittels einer neuronalen ODE. Gleichzeitig werden patientenspezifische Startzeiten und Fortschrittsgeschwindigkeiten gelernt, sodass individuelle Trajektorien in einen gemeinsamen Fortschrittsverlauf ausgerichtet werden können.

Die Validierung von CNODE erfolgte anhand des Parkinson’s Progression Markers Initiative (PPMI) Datensatzes. Die Ergebnisse zeigen, dass CNODE die Prognosegenauigkeit der Langzeitprogression von Parkinson deutlich verbessert und die derzeit führenden Baselines übertrifft.