Neues Graph-Neuronales Netzwerk enthüllt kausale Gehirnregionen bei Alzheimer

Ein neues Modell namens Causal-GCN kombiniert Graph Neural Networks mit kausaler Inferenz, um die Alzheimer‑Krankheit aus MRT‑Scans besser zu verstehen. Während herkömmliche Graph‑Modelle meist nur Korrelationen erkennen, nutzt Causal-GCN die do‑Calculus‑Methode, um stabile kausale Einflüsse von Gehirnregionen auf den Krankheitsverlauf zu identifizieren.

Jeder Patient wird dabei als strukturelles Netzwerk dargestellt, in dem Knoten die kortikalen und subkortikalen Regionen repräsentieren und Kanten die anatomische Konnektivität beschreiben. Demografische und genetische Störfaktoren wie Alter, Geschlecht und APOE4‑Genotyp werden über Hauptkomponenten zusammengefasst und in die kausale Anpassung einbezogen.

Nach dem Training simuliert das Modell gezielte Interventionen, indem es die eingehenden Kanten einzelner Regionen verändert und die daraus resultierenden Änderungen der Knotenmerkmale nutzt, um durchschnittliche kausale Effekte auf die Alzheimer‑Wahrscheinlichkeit zu schätzen. Auf 484 Probanden aus der ADNI‑Kohorte zeigte Causal-GCN eine Leistung, die mit Standard‑GNNs vergleichbar ist, gleichzeitig aber interpretable Ranglisten der kausalen Effekte liefert.

Die Analyse hebt Posterior‑, Cingulate‑ und Insular‑Hubs hervor, die mit etablierten neuropathologischen Befunden bei Alzheimer übereinstimmen. Damit bietet Causal-GCN nicht nur eine robuste Klassifikation, sondern liefert auch neue Einblicke in die kausale Struktur der Erkrankung.