{"id":46892,"date":"2026-09-03T12:27:57","date_gmt":"2026-09-03T10:27:57","guid":{"rendered":"https:\/\/neuronup.com\/de\/?p=46892"},"modified":"2026-09-03T12:27:57","modified_gmt":"2026-09-03T10:27:57","slug":"differenzialdiagnose-von-demenzatiologien-basierend-auf-ki-anhand-multimodaler-daten","status":"publish","type":"post","link":"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/differenzialdiagnose-von-demenzatiologien-basierend-auf-ki-anhand-multimodaler-daten\/","title":{"rendered":"KI-basierte Differenzialdiagnose von Demenzursachen anhand multimodaler Daten"},"content":{"rendered":"\n

Der Forscher Antonio Javier Sutil Jim\u00e9nez stellt in diesem Artikel die wichtigsten Daten der Studie „KI-basierte Differenzialdiagnose von Demenzursachen anhand multimodaler Daten“<\/em> vor. <\/p>\n\n\n\n

Warum ist die Erforschung von Demenz und k\u00fcnstlicher Intelligenz (KI) wichtig?<\/h2>\n\n\n\n

Die Weltbev\u00f6lkerung wird \u00e4lter, und damit sind wir mit zahlreichen altersbedingten Gesundheitsrisiken konfrontiert. Eines dieser Risiken sind Demenzerkrankungen, deren Diagnose jedes Jahr um nahezu 10 Millionen neue F\u00e4lle zunimmt. Demenzerkrankungen<\/a> sind eine Gruppe von Erkrankungen, die durch den Abbau kognitiver Funktionen bis zu einem Ausma\u00df gekennzeichnet sind, das die selbstst\u00e4ndige Durchf\u00fchrung von Aktivit\u00e4ten des t\u00e4glichen Lebens erschwert oder unm\u00f6glich macht. Dazu z\u00e4hlt insbesondere die Alzheimer-Krankheit, daneben gibt es jedoch viele weitere Erkrankungen wie die vaskul\u00e4re Demenz, die Lewy-K\u00f6rper-Demenz<\/a> oder die frontotemporale Demenz<\/a>.<\/p>\n\n\n\n

Wie kann man intervenieren, um demenzbedingte Probleme zu reduzieren?<\/h3>\n\n\n\n

Die Antwort liegt in der Erstellung fr\u00fcher und pr\u00e4ziser Diagnosen<\/strong>, die wirksame und gezielt auf die jeweilige Erkrankung ausgerichtete Therapien erm\u00f6glichen. Bereits 2017 erkl\u00e4rte die Weltgesundheitsorganisation (WHO), dass Diagnosen verbessert werden m\u00fcssten, um auf den weltweiten Anstieg der Demenzf\u00e4lle zu reagieren. Die verschiedenen Demenzformen sind jedoch in fr\u00fchen Krankheitsstadien mitunter nur schwer voneinander zu unterscheiden<\/strong>, da die mit den einzelnen Demenzen verbundenen Symptome komplex sind. Hinzu kommt, dass verschiedene Demenzen manchmal gleichzeitig auftreten k\u00f6nnen, was zu einer hohen Zahl diagnostischer Fehler f\u00fchrt.<\/p>\n\n\n\n

Goldstandard <\/h3>\n\n\n\n

Diese Diagnosen basierten haupts\u00e4chlich auf neuropsychologischen Untersuchungen. Es wurde jedoch versucht, diese auf kognitiven und verhaltensbezogenen Tests basierenden Diagnosen mit Tests zu verkn\u00fcpfen, die biologische Proben untersuchen, etwa Magnetresonanztomografien, Blut- oder Liquorproben. Trotz erheblicher Anstrengungen fehlt bislang noch ein diagnostischer Test nach dem \u201eGoldstandard\u201c<\/strong>. Damit wird ein diagnostischer Test bezeichnet, der bei der Diagnose einer bestimmten Erkrankung eine hohe Zuverl\u00e4ssigkeit aufweist. Dieser Goldstandard wurde bisher vor allem anhand biologischer Daten gesucht, bislang jedoch ohne Erfolg.<\/p>\n\n\n\n\n\n

<\/div>\n\n\n\n

L\u00f6sung auf Grundlage k\u00fcnstlicher Intelligenz (KI)<\/h3>\n\n\n\n

Um diese Situation zu bew\u00e4ltigen, haben eine Gruppe von Forschenden der Boston University und Forschende aus den gesamten Vereinigten Staaten eine auf k\u00fcnstlicher Intelligenz basierende L\u00f6sung vorgeschlagen, mit der sich gro\u00dfe Mengen heterogener Daten<\/strong> verarbeiten lie\u00dfen. Diese Daten sind heterogen, weil der Ansatz die reale Welt nachahmen<\/strong> soll, also dieselben Instrumente verwendet, die eine klinisch t\u00e4tige Fachkraft zur L\u00f6sung des Problems der Demenzdiagnose und -pr\u00e4vention einsetzen w\u00fcrde. Die ber\u00fccksichtigten Datentypen waren soziodemografische, neurologische und k\u00f6rperliche Daten, die Krankengeschichte sowie Magnetresonanztomografien.<\/p>\n\n\n\n

Was wurde gemacht?<\/h2>\n\n\n\n

F\u00fcr die Anwendung eines auf k\u00fcnstlicher Intelligenz basierenden Modells wurde eine sehr gro\u00dfe Datenmenge ben\u00f6tigt. Daher griffen die Forschenden auf neun unabh\u00e4ngige Datens\u00e4tze zur\u00fcck, die mehr als 51.000 Patientinnen und Patienten mit verschiedenen Demenzformen umfassten<\/strong>. <\/p>\n\n\n\n

Patientinnen und Patienten mit verschiedenen Demenzformen <\/h3>\n\n\n\n

Die Einbeziehung eines breiten Spektrums von Demenzen mit unterschiedlichen Ursachen war ein entscheidender Schritt, um eine umfassende und vielf\u00e4ltige Charakterisierung zu erhalten, die f\u00fcr die Realit\u00e4t repr\u00e4sentativ sein kann. Deshalb wurden Patientinnen und Patienten mit Demenz aufgrund vieler verschiedener Ursachen einbezogen, etwa Alzheimer<\/a>, Schlaganf\u00e4llen, frontotemporaler Degeneration, kortikobasaler Degeneration, Infektionen, Drogenmissbrauch usw.<\/p>\n\n\n\n

Problem fehlender Daten <\/h4>\n\n\n\n

Dieser auf einer sehr gro\u00dfen Datenmenge basierende Ansatz macht es jedoch auch wahrscheinlicher, dass Daten fehlen. Dies steht im Gegensatz zu sehr kontrollierten Umgebungen mit einer geringeren Zahl von Patientinnen und Patienten, in denen sich Datenverluste minimieren lassen. In diesem Fall erfordert der Ansatz gro\u00dfe, sehr heterogene Datens\u00e4tze, die es dem Modell erm\u00f6glichen, zu lernen und die Realit\u00e4t m\u00f6glichst genau abzubilden. Um das Problem fehlender Daten zu l\u00f6sen, setzten die Forschenden Techniken ein, die in den fr\u00fchen Phasen gr\u00f6\u00dftm\u00f6gliche Robustheit gew\u00e4hrleisten<\/strong>. Die Implementierung dieser robusten Methoden und Strategien verhindert eine Verzerrung des Trainings der k\u00fcnstlichen Intelligenz<\/strong> und damit auch der sp\u00e4teren Vorhersagen. Dar\u00fcber hinaus wurden standardisierte Ein- und Ausschlussverfahren angewendet, die die Konsistenz und Glaubw\u00fcrdigkeit der Ergebnisse sicherstellten.<\/p>\n\n\n\n\n\n

<\/div>\n\n\n\n

Modell vom Typ \u201eTransformer\u201c<\/h4>\n\n\n\n

An diesem Punkt stellte sich au\u00dferdem die wichtige Herausforderung, ein Modell zu entwickeln, das mehrere Datentypen und Parameter unterschiedlicher Art zusammenf\u00fchren kann. Dies wird als Architektur vom Typ \u201eTransformer\u201c bezeichnet. Bei diesem Modell werden alle einbezogenen unterschiedlichen Merkmale in einen sogenannten \u201eVektor fester L\u00e4nge\u201c umgewandelt. Dabei kommt eine spezifische Strategie zum Einsatz, mit der eine erste Modelle bene erstellt wird, auf der der restliche Teil des Modells aufbaut, indem diese Daten in eine Reihe von Vorhersagen dekodiert werden.<\/p>\n\n\n\n

Zum besseren Verst\u00e4ndnis k\u00f6nnen wir uns dieses Modell wie ein Kochrezept vorstellen, nur dass das Modell anstelle der verschiedenen Schritte eines Rezepts \u00fcber unterschiedliche Schichten verf\u00fcgt. Ebenso wie wir f\u00fcr ein gutes Gericht gute Zutaten ben\u00f6tigen, die sich beim Kochen angemessen miteinander kombinieren lassen, brauchten die Forschenden ein gutes System zur Klassifizierung der Patientinnen und Patienten. Daf\u00fcr mussten ihre Zutaten, also die Ausgangsdaten, von guter Qualit\u00e4t sein und sich angemessen kombinieren lassen. In unserem Vergleich mit diesem Modell der k\u00fcnstlichen Intelligenz bedeutet dies, die verschiedenen vorhandenen Daten in ein gemeinsames Format<\/strong> (Vektor fester L\u00e4nge) zu \u00fcberf\u00fchren. Dadurch ist das entwickelte Modell gegen\u00fcber fehlenden oder unvollst\u00e4ndigen Daten sehr robust und kann zuverl\u00e4ssige Vorhersagen treffen<\/strong>.<\/p>\n\n\n\n

Selbst\u00fcberwachtes Lernen <\/h4>\n\n\n\n

Konkret verwendeten die Forschenden ein Modell des sogenannten selbst\u00fcberwachten Lernens. Bei diesem Ansatz des maschinellen Lernens lernt das Modell aus Daten, ohne dass explizite Labels erforderlich sind. Im Gegensatz zum \u00fcberwachten Lernen, das einen gelabelten Datensatz ben\u00f6tigt, basiert selbst\u00fcberwachtes Lernen darauf, Strukturen und Muster in den Daten ohne direkten menschlichen Eingriff zur Kennzeichnung zu erkennen.<\/p>\n\n\n\n

Trainings-, Validierungs- und Vergleichsphase mit Fachleuten<\/h4>\n\n\n\n

Als N\u00e4chstes folgte bei der Entwicklung des Modells die Trainings-, Validierungs- und Vergleichsphase mit Fachleuten. Trainings- und Validierungsprozesse sind bei dieser Art von Studie \u00fcblich. <\/p>\n\n\n\n

Das Training bestand darin, das Modell mit Daten aus den verschiedenen Kohorten zu speisen und alle Modalit\u00e4ten zu integrieren, damit es Muster erlernen konnte, die mit verschiedenen Demenzformen verbunden sind. Nach dem Training des Modells erfolgte die Validierung. Dabei wurden zuvor nicht gesehene Daten verwendet, um sicherzustellen, dass das Modell seine Vorhersagen auf unbekannte Daten verallgemeinern kann.<\/p>\n\n\n\n

Schlie\u00dflich verglichen die Forschenden auf innovative Weise die vom Modell erstellten Diagnosen mit den Einsch\u00e4tzungen von auf die Diagnose von Demenzerkrankungen spezialisierten \u00c4rztinnen und \u00c4rzten. Dazu luden sie 12 Neurologinnen und Neurologen sowie 7 Neuroradiologinnen und Neuroradiologen ein, an Diagnoseaufgaben zu einer Teilstichprobe von 100 F\u00e4llen mit verschiedenen Demenzformen teilzunehmen<\/strong>. Ihnen wurden die f\u00fcr jeden dieser 100 F\u00e4lle verf\u00fcgbaren Daten vorgelegt. Sie sollten ihre diagnostischen Einsch\u00e4tzungen sowie einen Vertrauenswert zwischen 0 und 100 f\u00fcr die Diagnose jeder der 13 m\u00f6glichen Kategorien angeben. Dabei sollte untersucht werden, ob sich die klinische Beurteilung durch den Einsatz des entwickelten Modells verbessern l\u00e4sst.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Melden Sie sich
f\u00fcr unseren
Newsletter<\/strong>\u00a0an<\/h2>\n\n\n\n
\n
Jetzt anmelden<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Was sind die wichtigsten Schlussfolgerungen dieser Studie zu Demenz und k\u00fcnstlicher Intelligenz (KI)?<\/h2>\n\n\n\n

Die wichtigsten Ergebnisse lassen sich in drei Bereiche unterteilen: Klassifizierung gesund versus beeintr\u00e4chtigt, Klassifizierung der Erkrankungen und Verbesserung der klinischen Beurteilung durch den Einsatz des Modells.<\/p>\n\n\n\n

In der Studie wurde die Leistung eines Modells k\u00fcnstlicher Intelligenz (KI) zur Einteilung von Personen in drei kognitive Kategorien untersucht: <\/p>\n\n\n\n