Verwendung von KI zur Diagnose neurologischer Erkrankungen aufgrund motorischer Beeinträchtigungen

Die Art und Weise, wie wir uns bewegen, sagt viel über den Zustand unseres Gehirns aus. Während normales motorisches Verhalten auf eine gesunde Gehirnfunktion hinweist, können Abweichungen auf Beeinträchtigungen aufgrund neurologischer Erkrankungen hinweisen. Die Beobachtung und Bewertung von Bewegungsmustern ist daher Teil der Grundlagenforschung und eines der wichtigsten Instrumente für die nicht-invasive Diagnose in klinischen Anwendungen. Unter der Aufsicht des Informatikers Prof. Dr. Björn Ommer und in Zusammenarbeit mit Schweizer Forschern wurde an der Universität Heidelberg ein neuer computergestützter Ansatz in diesem Zusammenhang entwickelt. Wie Studien unter anderem an Menschen gezeigt haben, ermöglicht dieser Ansatz die vollautomatische Erkennung motorischer Beeinträchtigungen und liefert durch ihre Analyse mithilfe künstlicher Intelligenz Informationen über die Art der Grunderkrankungen.

Für die computergestützte Bewegungsanalyse sollten die Probanden im Allgemeinen mit reflektierenden Markierungen gekennzeichnet werden, oder virtuelle Markierungen sollten auf Videomaterial angewendet werden, das im Rahmen der Bewertung erstellt wurde. Beide Verfahren sind relativ kompliziert. Darüber hinaus muss das sichtbare Bewegungsverhalten im Voraus bekannt sein, damit es genauer untersucht werden kann. “Ein echtes Diagnosewerkzeug muss motorische Störungen nicht nur bestätigen, sondern erst erkennen und richtig klassifizieren können”, erklärt Professor Ommer, Leiter der Computer Vision Group am Interdisziplinären Zentrum für Wissenschaftliches Rechnen der Universität Heidelberg.

Genau dies wird durch die von seinem Team entwickelte neue Diagnosemethode ermöglicht, die als „unbeaufsichtigte Verhaltensanalyse und -vergrößerung mithilfe von Deep Learning“ (uBAM) bekannt ist. Der zugrunde liegende Algorithmus basiert auf maschinellem Lernen unter Verwendung künstlicher neuronaler Netze und erkennt unabhängig und vollautomatisch charakteristische Verhaltensweisen und pathologische Abweichungen, wie der Wissenschaftler aus Heidelberg erklärt. Der Algorithmus bestimmt, welcher Körperteil betroffen ist, und fungiert als eine Art Lupe für Verhaltensmodelle, indem verschiedene Arten von Abweichungen direkt im Video hervorgehoben und sichtbar gemacht werden. In diesem Rahmen wird das relevante Videomaterial mit anderen gesunden oder gleichermaßen mangelhaften Probanden verglichen. Auf diese Weise können auch Fortschritte bei der Behandlung motorischer Störungen dokumentiert und analysiert werden. Laut Professor Ommer können auch Schlussfolgerungen über die neuronale Aktivität im Gehirn gezogen werden.

Die Basis der uBAM-Schnittstelle ist ein sogenanntes Faltungs-Neuronales Netzwerk, eine Art Neuronales Netzwerk, das insbesondere zur Bilderkennung und Bildverarbeitung verwendet wird. Wissenschaftler trainierten das Netzwerk, um ähnliche Bewegungsverhalten für verschiedene Subjekte zu identifizieren, trotz großer Unterschiede in ihrem äußeren Erscheinungsbild. Dies ist möglich, weil künstliche Intelligenz zwischen Haltung und Aussehen unterscheiden kann. Neben dem Erkennen und Quantifizieren von Beeinträchtigungen ist auch eine detaillierte Symptomanalyse wichtig. „Um sie im Detail zu untersuchen, verwenden wir ein generatives neuronales Netzwerk“, erklärt Prof. Ommer. “Auf diese Weise können wir Neurowissenschaftlern und Klinikern helfen, sich auf die subtilen Abweichungen im motorischen Verhalten zu konzentrieren, die mit bloßem Auge wahrscheinlich übersehen werden, und sie durch Verstärkung der Abweichung leicht sichtbar machen. Dann können wir genau die Art der Krankheit in beschreiben der Einzelfall. “

Das Forschungsteam konnte die Wirksamkeit dieses neuen Ansatzes bereits anhand verschiedener Tiermodelle und Studien an menschlichen Patienten nachweisen. Sie testeten unter anderem die Präzision, mit der uBAM gesunde und beeinträchtigte motorische Aktivitäten unterscheiden kann. In ihrer Veröffentlichung zu diesem Thema berichten Wissenschaftler über eine sehr hohe Genesungsrate sowohl bei Mäusen als auch bei menschlichen Patienten. „Insgesamt zeigt unsere Studie, dass der auf künstlicher Intelligenz basierende Ansatz im Vergleich zu herkömmlichen Methoden detailliertere Ergebnisse mit viel weniger Aufwand liefert“, betont Björn Ommer.

In Bezug auf die Anwendung hoffen die Wissenschaftler, dass uBAM sowohl in der biomedizinischen Grundlagenforschung als auch in der klinischen Diagnostik und darüber hinaus eingesetzt wird. Lehrer. Ommer: “Die Schnittstelle kann angewendet werden, wenn sich traditionelle Methoden als zu kompliziert, langwierig oder nicht effektiv genug erweisen. Möglicherweise könnte dies zu einem besseren Verständnis der neuronalen Prozesse im Gehirn und zur Entwicklung neuer Behandlungsoptionen führen.”

Neben den Heidelberger Forschern, die mit Prof. Ommer zusammenarbeiteten, waren auch Wissenschaftler der Universität Zürich und des Universitätsklinikums Zürich, des Universitätsklinikums Balgrist und des Zürcher Neurowissenschaftlichen Zentrums an der Entwicklung der Schnittstelle uBAM beteiligt. Ein Teil der Mittel für die Studie stammte von der Deutschen Forschungsgemeinschaft sowie der Branco Weiss Fellowship Society in Science und dem Schweizerischen Nationalfonds. Die Ergebnisse wurden in der Zeitschrift “Künstliche Intelligenz der Natur“.

###

Warnung: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit von Pressemitteilungen, die auf EurekAlert veröffentlicht werden! durch beitragende Institutionen oder zur Verwendung von Informationen über das EurekAlert-System.