Die steigende Prävalenz neurodegenerativer Erkrankungen wie Alzheimer und frontotemporaler Demenz weltweit erfordert innovative Ansätze zur Früherkennung. Eine frühzeitige und zuverlässige Diagnostik ist entscheidend, um rechtzeitig therapeutische Maßnahmen einzuleiten und die Lebensqualität der Betroffenen zu verbessern. Zudem besteht ein wachsendes Interesse an skalierbaren und kosteneffizienten Verfahren, die auch außerhalb spezialisierter Zentren eingesetzt werden können. Künstliche Intelligenz (KI) bietet hier vielversprechende Möglichkeiten, insbesondere bei der Auswertung von Elektroenzephalografie-(EEG-)Signalen und Magnetresonanztomographie (MRT)-Daten.
EEG-basierte KI-Systeme zur Demenzdiagnostik
Aktuelle Herausforderungen und Lösungsansätze
EEG-basierte Diagnoseansätze sind vielversprechend, stoßen jedoch an Grenzen durch Inter-Subjekt-Variabilität, geringe Datenmengen und die fehlende Nachvollziehbarkeit klassischer Machine-Learning-Modelle. Zudem bestehen im klinischen Umfeld hohe Anforderungen an Datenschutz und Ressourcenverbrauch.
Forscher der Universität Örebro (Schweden) haben gemeinsam mit internationalen Institutionen den Einsatz von KI zur automatisierten Auswertung von EEG-Signalen untersucht. Die Ergebnisse zeigen vielversprechende Ansätze zur Überwindung dieser Herausforderungen.
Hybrides Deep-Learning-Modell für hohe Trefferquoten
In einer Studie entwickelten die Forscher ein hybrides Deep-Learning-Framework, das Temporal Convolutional Networks und Long Short-Term Memory-Netze kombiniert. Grundlage war ein EEG-Datensatz mit sechs durch Leistungsdichtespektren berechneten Frequenzbändern. Das Modell erreichte in binären Vergleichen nahezu fehlerfreie Klassifikationsergebnisse für Alzheimer und frontotemporale Demenz:
- Alzheimer vs. gesund: 99,74 %
- Frontotemporale Demenz vs. gesund: 99,70 %
- Kombinierte Demenzgruppe vs. gesund: 99,80 %
In der Dreiklassen-Analyse (Alzheimer, frontotemporale Demenz und gesund) lag die Genauigkeit bei 80,34 %. Ein wesentlicher Vorteil dieses Modells ist die transparente KI-Technologie, die eine nachvollziehbare Entscheidungsbasis ermöglicht und die "Black-Box"-Problematik verhindert.
Lesen Sie auch: Informationen für Alzheimer-Patienten und Angehörige
Datenschutzkonforme EEG-Klassifikation durch leichtgewichtiges Modell
Eine weitere Studie untersuchte, wie sich EEG-basierte Demenzklassifikation ohne zentrale Datenhaltung realisieren lässt. Dazu wurde ein besonders leichtgewichtiges Modell (EEGNetv4) mit hybrid-fusionsbasierten Erweiterungen kombiniert. Das neuronale Netz umfasst nur 1.609 Parameter und benötigt weniger als 1 MB Speicher, erzielte jedoch eine Testgenauigkeit von 97,1 %.
Durch den Einsatz von Federated Learning konnten mehrere Einrichtungen das Modell trainieren, ohne EEG-Rohdaten auszutauschen. Die resultierende globale Modellleistung betrug 96,9 % und zeigt, dass eine datenschutzkonforme Trainingsumgebung möglich ist.
Erkennung von Mustern in EEG-Frequenzbändern
Beide Modelle nutzten EEG-Frequenzbänder wie Alpha-, Beta- und Gamma-Aktivität, um Merkmale zu identifizieren, die mit Demenzen assoziiert sind. Die KI-Systeme konnten langfristige Veränderungen und feine Unterschiede zwischen den Diagnosegruppen erkennen, was klassische Verfahren teilweise nur eingeschränkt leisten können.
Potential für breitere und frühe Demenzdiagnostik
Die Studien zeigen, dass KI-gestützte EEG-Verfahren ein schnelles, kostengünstiges und datenschutzsicheres Instrument für die Früherkennung von Demenzen darstellen. Durch die Möglichkeit, KI-Modelle auf tragbaren Geräten zu betreiben, ergibt sich perspektivisch ein breiterer Einsatz - von spezialisierten neurologischen Zentren bis hin zu später möglichen Anwendungen im häuslichen Umfeld. Die Autoren beabsichtigen, künftig größere und heterogenere Datensätze einzubeziehen sowie zusätzliche Demenzformen zu analysieren.
KI-basierte Analyse von MRT-Daten
Modell zur Alzheimer-Erkennung anhand von MRT-Daten
Ein weiteres vielversprechendes Feld ist die KI-basierte Analyse von MRT-Daten des Gehirns. Forscher haben ein Modell für den Nachweis von Alzheimer entwickelt, das auf MRT-Daten von Patienten des Massachusetts General Hospital basiert. Das Modell wurde anschließend an fünf Datensätzen getestet, um seine Fähigkeit zur Erkennung von Alzheimer auf Basis realer klinischer Daten zu validieren, unabhängig vom behandelnden Krankenhaus und dem Zeitpunkt.
Lesen Sie auch: Kinder-Alzheimer: Ein umfassender Überblick
Überwindung von altersbedingten Verzerrungen
Eine Herausforderung bei der Entwicklung solcher Modelle besteht darin, dass Alzheimer typischerweise bei älteren Erwachsenen auftritt. Daher haben Deep-Learning-Modelle häufig Probleme, die seltenen, früher auftretenden Fälle zu erkennen. Um dieses Problem zu umgehen, wurde das Modell so konzipiert, dass es "blind" für Eigenschaften des Gehirns ist, die stark mit dem Alter der Patienten zusammenhängen.
Umgang mit variierenden Datenquellen
Eine weitere Herausforderung besteht darin, dass sich die tatsächlich untersuchten Daten stark von denen im Training eingesetzten unterscheiden können. Beispielsweise kann ein Modell, das mit MRTs von einem Scanner von General Electric trainiert wurde, Scans eines Geräts von Siemens nicht entsprechend auswerten. Das entwickelte Modell nutzt eine Metrik für Unsicherheit, um festzustellen, ob die Patientendaten zu verschieden von den Daten sind, die beim Training eingesetzt worden sind.
Hohe Genauigkeit bei der Alzheimer-Erkennung
Die Studie umfasste 11.103 Bilder von 2.348 Patienten mit einem Alzheimer-Risiko und 26.892 Bilder von 8.456 gesunden Personen. Über alle fünf Datensätze hinweg hat das Modell das Risiko einer Alzheimer-Erkrankung mit einer Genauigkeit von 90,2% erkannt.
KI-Apps und automatisierte Gedächtnistests
KI-App zur Demenzerkennung
Der Informatiker Dr. Martin Dyrba hat eine App entwickelt, die speziell darauf trainiert ist, die Hirnregionen im Blick zu haben, die für die Demenzerkennung wichtig sind. Die App erkennt krankhafte Veränderungen in diesen Regionen und soll einen Teil der Diagnose automatisieren. Die App befindet sich derzeit noch in der Erprobungsphase, hat aber bereits Erfolge bei der Auswertung dreidimensionaler Gehirnbilder von älteren Menschen erzielt. Eine Herausforderung besteht jedoch darin, normales Altern von krankhaften Prozessen abzugrenzen, insbesondere bei MRT-Aufnahmen von jüngeren Patienten.
Automatisierte Gedächtnistests
Neben Apps zur Bildanalyse werden auch automatisierte Gedächtnistests entwickelt. Im Rahmen einer internationalen Studie ist derzeit "Mili" im Einsatz, eine KI-basierte Anwendung, die Teilnehmer anruft und sich als Roboter vorstellt. Die Teilnehmer werden gebeten, sich eine Reihe von Begriffen zu merken, plaudern mit "Mili" über etwas Schönes, das sie erlebt haben, und werden dann erneut nach den Begriffen gefragt. Die KI wertet anschließend aus, wie gut die Antworten waren, wie lange die Testperson zwischendurch gezögert hat und wie sich ihre Sprachmelodie verändert hat.
Lesen Sie auch: Alzheimer und Demenz im Vergleich
KI-basierte Diagnostik anderer Demenzformen
KI-Tool zur Identifizierung verschiedener Demenzarten
Ein neuartiges KI-Tool identifiziert neun verschiedene Demenzarten, einschließlich Alzheimer, mit nur einem einzigen Hirnscan - effizient, genau und mit einer Trefferquote von 88 Prozent. Die Software, StateViewer, verwendet künstliche Intelligenz, um durch einen einzelnen Hirnscan neun unterschiedliche Demenztypen zu diagnostizieren, darunter auch die häufig verbreitete Alzheimer-Erkrankung.
Funktionsweise des KI-Tools
Das System arbeitet mit sogenannten FDG-PET-Scans. Diese zeigen, wie intensiv verschiedene Bereiche des Gehirns Zucker als Energiequelle verwenden. Während gesunde Regionen ein einheitliches Muster aufweisen, offenbaren demenzbedingte Veränderungen charakteristische Anomalien. StateViewer gleicht die Scans mit einer Datenbank bestehend aus über 3.600 Aufnahmen ab - von Menschen mit und ohne Demenz.
Vorteile der KI-basierten Diagnostik
Die KI markiert auffällige Bereiche im Gehirn farblich. Auf diese Weise wird ersichtlich, ob Gedächtnis-, Sprach- oder Bewegungszentren betroffen sind, was die Unterscheidung zwischen Alzheimer, Lewy-Körper-Demenz oder frontotemporaler Demenz erleichtert. Die Software soll die ärztliche Expertise nicht ersetzen, sondern ergänzen. Sie liefert datenbasierte Hinweise, hebt Auffälligkeiten hervor und unterstützt bei der Bewertung. Die endgültige Diagnose obliegt den Ärzten.
Digitale Lösungen zur Kognitionsmessung und Prävention
Mobile Apps zur Kognitionsmessung
Ein Entwicklungsschwerpunkt für digitale Lösungen im Bereich der Demenzerkrankungen sind mobile Anwendungen (z. B. Smartphone-Apps) zur Kognitionsmessung. App-gestützte Kognitionstests können als Ergänzung zur Demenzdiagnostik in einer Praxis oder Klinik einige Chancen bieten:
- Sie ermöglichen eine niederschwellige Diagnostik (kognitive Baseline-Bestimmung) und Verlaufsmessung kognitiver Störungen im häuslichen Umfeld der Betroffenen.
- Sie sammeln Messwerte aus einem längerfristigen Diagnosezeitraum, was repräsentativere und verlässlichere Ergebnisse liefern könnte.
- Sie können die Wirkung von Sekundärpräventionsmaßnahmen monitoren (kognitives Monitoring).
Kognitionsmonitoring mit tragbaren Sensoren
Ergänzend zu den beschriebenen Smartphone-Apps können tragbare Sensoren (Wearables) verschiedene Daten erfassen, die Rückschlüsse auf die Kognition und Alltagsfähigkeiten eines Menschen ermöglichen. Mithilfe von Sprachrekordern, Kameras und Bewegungssensoren lassen sich Veränderungen der Stimme, der Mobilität und des Verhaltens feststellen. Perspektivische Anwendungsgebiete sind z. B. das Monitoring des Therapieansprechens oder die Differenzierung von Erkrankungsstadien.
KI-basierte Technologien zur Datenanalyse
Diagnostik
KI-Technologien könnten möglicherweise die frühe Diagnose einer MCI bzw. der Alzheimer-Krankheit unterstützen durch:
- Analyse von Bildgebungsdaten durch z. B. Abgleich mit relevanten Bilddatenbanken (frühe Identifikation pathologischer Strukturen)
- Analyse klinischer Daten und neurologischer Tests (Scores) zur Risikoschätzung
- Klassifikation von Erkrankungsstadien anhand von Bildgebungsdaten sowie den Ergebnissen kognitiver und neurologischer Tests
- Auswertung anderer Datenquellen (Sprachrekorder, Netzhaut-Bildgebungen, genetische Daten) zur Früherkennung einer MCI
Prävention
Eine KI-gestützte Analyse verschiedener klinischer Daten könnte Menschen mit einem hohen Risiko für die Alzheimer-Krankheit identifizieren. So wäre es möglich, Hochrisiko-Patientinnen und -Patienten frühzeitig und gezielt Präventionsmaßnahmen anzubieten.
Therapie
KI-Technologien könnten:
- anhand klinischer Daten die für eine Person wirksamste Therapie ermitteln.
- mit Chatbots und virtuellen Assistenzsystemen die Therapie unterstützen.
- große Datenmengen aus der klinischen Praxis und aus Studien analysieren, um neue Therapieoptionen zu finden.
- die Entwicklung neuer Substanzen unterstützen (generative KI).
Monitoring
KI-Technologien könnten mithilfe von Sensordaten das Monitoring von Patientinnen und Patienten übernehmen. Die Algorithmen könnten Verhaltensänderungen und Symptome identifizieren oder Notfallsituationen erkennen, wie beispielsweise einen Sturz.
Grundlagenforschung
Mithilfe der KI-basierten Analyse umfangreicher „Omics“-Daten könnten bisher nicht bekannte Pathomechanismen, Biomarker oder therapeutische Zielstrukturen (Targets) der Alzheimer-Krankheit identifiziert werden. Der Oberbegriff „Omics“ schließt verschiedene Datenquellen ein - darunter Genomics, Epigenomics, Transcriptomics, Proteomics und Metabolomics.
Klinische Studien
KI könnte zudem beim Design und der Durchführung klinischer Studien unterstützen durch:
- Identifikation und Auswahl von Studienteilnehmenden anhand umfangreicher klinischer Daten (Reduktion des Screening-Aufwands und des Risikos von Screening-Fehlern)
- Analyse von Studiendaten
- Komplexe Modellierungen (Simulationsrechnungen), um die am besten geeigneten Studienvariablen zu finden.
Herausforderungen und Limitationen
Trotz der vielversprechenden Fortschritte gibt es auch Herausforderungen und Limitationen bei der KI-gestützten Früherkennung von Alzheimer. Die aktuelle S3-Leitlinie Demenzen erwähnt digitale Technologien zwar, spricht aber derzeit noch keine Empfehlungen dafür aus. Insbesondere wird davor gewarnt, automatisierte Analyseverfahren für die strukturelle MRT als einzige Methode ohne radiologisch-visuelle Befundung im Rahmen der Demenzdiagnostik einzusetzen. Zudem wird die Anwendung von selbst durchgeführten, computerbasierten kognitiven Trainingsprogrammen für Menschen mit Demenz nicht empfohlen, da die Studienlage keinen sicheren Nutzen dieser Programme zeigt.