EVA-Net: Erklärbare Gehirnalter‑Vorhersage mit EEG und Altersprototypen

Ein neues KI‑Framework namens EVA‑Net hat die Messung des Gehirn‑Alters mit Elektroenzephalographie (EEG) revolutioniert. Durch die Kombination von Interpretierbarkeit und hoher Genauigkeit bietet EVA‑Net einen transparenten Ansatz, um die Gesundheit des Gehirns zu beurteilen – selbst wenn die zugrunde liegenden Daten unvollständig oder verrauscht sind.

Das Herzstück von EVA‑Net ist ein sparsamer Attention‑Transformer, der lange EEG‑Sequenzen effizient verarbeitet. Um mit Rauschen und Variabilität in realen medizinischen Datensätzen umzugehen, nutzt das System einen Variational Information Bottleneck, der robuste, komprimierte Repräsentationen erzeugt. Diese Repräsentationen werden anschließend in ein kontinuierliches Prototypen‑Netzwerk eingebettet, das das normative Alterungs‑Manifold gesunder Gehirne explizit lernt und so die Grundlage für interpretierbare Anomalie‑Erkennung bildet.

In einer umfangreichen Studie mit 1.297 gesunden Probanden erreichte EVA‑Net eine führende Genauigkeit bei der Vorhersage des Gehirn‑Alters. Die Anomalie‑Erkennungsfähigkeit wurde anschließend an einer bislang unbekannten Gruppe von 27 Patienten mit leichter kognitiver Beeinträchtigung (MCI) und Alzheimer‑Krankheit (AD) getestet. Diese Patienten zeigten signifikant höhere Gehirn‑Alterungsabstände sowie einen neu definierten „Prototype Alignment Error“, der ihre Abweichung vom gesunden Manifold bestätigt.

Mit EVA‑Net wird ein interpretierbares, datengetriebenes Tool für die Gesundheitsintelligenz bereitgestellt, das auch bei unvollkommenen medizinischen Daten zuverlässig arbeitet. Die Kombination aus Transformer‑Architektur, Informationsbottleneck und Prototypen‑Alignment eröffnet neue Möglichkeiten für die frühzeitige Erkennung von neurodegenerativen Erkrankungen und die Entwicklung personalisierter Therapieansätze.