Neues semi‑supervised Modell liefert nahezu perfekte Alzheimer‑Diagnose

Eine bahnbrechende Methode namens MATCH‑AD (Multi view Adaptive Transport Clustering for Heterogeneous Alzheimer’s Disease) hat die diagnostische Genauigkeit bei Alzheimer erstmals nahezu perfektioniert, obwohl nur ein Drittel der Patienten mit etablierten Labels versehen ist.

MATCH‑AD kombiniert tiefes Repräsentationslernen, graphbasiertes Label‑Propagation und die Theorie des optimalen Transports. Durch die Nutzung von Wasserstein‑Entfernungen werden Fortschritte im Krankheitsverlauf zwischen kognitiven Zuständen präzise quantifiziert, während die manifoldbasierte Struktur der Neuroimaging‑Daten diagnostische Informationen von wenigen gelabelten Proben auf große unlabeled Populationen überträgt.

In einer umfangreichen Validierung mit fast 5.000 Probanden des National Alzheimer’s Coordinating Center – inklusive struktureller MRT‑Messungen, Liquor‑Biomarkern und klinischen Variablen – erreichte MATCH‑AD eine nahezu perfekte diagnostische Genauigkeit. Der Kappa‑Wert liegt bei nahezu perfekter Übereinstimmung, während die besten Baselines lediglich eine schwache Übereinstimmung aufweisen.

Selbst bei stark eingeschränkter Labelverfügbarkeit bleibt die Methode klinisch nutzbar. Zusätzlich liefert die Arbeit theoretische Konvergenzgarantien mit nachgewiesenen Fehlergrenzen für die Label‑Propagation und Transportstabilität, was MATCH‑AD zu einer qualitativ neuen Standardmethode für die Alzheimer‑Diagnostik macht.