00:00:00: Psychische Erkrankungen sind sehr, sehr hochfrequente Erkranken in der Gesellschaft.

00:00:06: Viele Erkankungen entstehen schon weit bevor man sie eigentlich entdeckt.

00:00:10: Ein gängiges Maß das wir dadurch erzeugen können ist das sogenannte Brain Age Das heißt was man versucht es aus den Daten des Gehirns das Alter einer Person zu bestimmen.

00:00:20: und da trainieren wir Modelle mit tausenden von MIT-Datensätzen.

00:00:25: gesunden, deren Alter wir kennen, deren MRT wir haben und können dann ein Modell-, ein Machine Learning-Modell generieren das eben das Alter bestimmen kann.

00:00:33: Ansonsten sehen wir solche Effekte wo die Machine Learningmodelle ein jüngeres Gehirn vorhersagen beispielsweise bei Müttern, da sehen wir dass das Gehirnen Jünger aussieht gegenüber Nichtmüttern.

00:00:45: Also ich würde sagen in der Vergangenheit sehr viele Studien gemacht wurden die einfach zu wenig Daten hatten um tatsächlich valide Ergebnisse zu erzeugen und deswegen auch oftmals vielleicht so verschiedene Befunde bekommen haben aus diesen Studien.

00:01:03: Hallo und herzlich willkommen zu einer neuen Folge von Dr.

00:01:06: Metkai.

00:01:06: AI & Brain Healths!

00:01:08: Ich freue mich sehr, heute mit Tobias Kaufmann darüber zu sprechen wie und wann psychische Erkrankungen entstehen und welche Rolle hierbei die Genetik aber auch Bildgebungsdaten spielen können.

00:01:20: Ich freue mich sehr, dass du da bist.

00:01:21: Magst du dich vielleicht einmal kurz vorstellen?

00:01:23: Freu mich auch!

00:01:23: Vielen Dank für die Einladung.

00:01:25: Ja ich bin Tobias, ich bin Professor für Neurotechnologie und Computational Psychology in der Psychiatrie in Tübingen an der Uni Tübingen Und wir machen viel im Bereich Bildgebungsdatenanalyse Genetik-Analyse im Bereich psychischer Erkrankungen und psychische Gesundheit.

00:01:42: Ja vielen dank.

00:01:43: wie entstehen denn eigentlich psychische Erkrankungen?

00:01:47: Psychische Erkrankungen sind sehr, sehr hochfrequente Erkranken in der Gesellschaft.

00:01:53: Viele Erkankungen entstehen schon weit bevor man sie eigentlich entdeckt im Gehirn.

00:01:58: Das heißt wir haben zum Beispiel bei der Schizophrenie eine Erkrankung die normalerweise im frühen Erwachsenenalter diagnostiziert wird.

00:02:04: Aber man weiß inzwischen eigentlich aus der Forschung, dass die Krankheiten bereits im Kinder- und Jugendgehirn entstehen.

00:02:10: Aber eben überhaupt nicht erkannt werden weil die Symptome fehlen.

00:02:14: aber trotzdem sind die Erkrankungen da.

00:02:15: das heißt wir haben in der Kindes- und Jugendentwicklung eigentlich Perioden der unentdeckten Krankheit sozusagen.

00:02:23: Wir haben dann zwischen zwanzig und fünfzig Jahren ist es die relevantesten Erkankungen was die Prävalenz anbelangt in der Gesellschaft Und wir haben auch eine sehr hohe Implikation für das Alter.

00:02:40: Zum Beispiel wissen wir, dass viele der Erkrankungen einhergehen mit verkürzter Lebensdauer.

00:02:44: zum Beispiel bei Schizophrenie reden wir über fünfzehn Jahre im Schnitt die Patienten mit Schizophrenien weniger lang leben als gesunde Menschen in der Gesellschaft.

00:02:52: Das heißt, wir haben es mit sehr wichtigen Erkranken zu tun, die große Implifikationen für die Gesellschaft

00:02:58: haben Und wäre dann eine Aufgabe zum Beispiel, psychopsychischen Erkrankungen früher zu erkennen.

00:03:03: Wenn du z.B.

00:03:04: sagst man kann eigentlich die Erkankungen schon im Gehirn erkennen.

00:03:08: ist dann zum Beispiel eine Aufgabe von KI Algorithmen oder auch der Bereich Computational Psychology dafür da um dabei helfen zu können diese Erkannung früher zu erkennen?

00:03:18: und kann man den Kindern und Jugendlichen zum Beispiel auch helfen?

00:03:23: Genau das ist einer der Anwendungsbereiche in die wir gehen mit dem Feld der Computational Society.

00:03:28: also Wenn wir in Salopp sagen, wir rechnen geschützt die Psychiatrie.

00:03:31: Wir machen Datenanalyse im Bereich der Psychiatie und Früherkennung ist einer der wichtigen Bereiche, die wir da angehen.

00:03:39: Dass wir davon ausgehen, dass wir vielleicht indem wir auf Gehirndaten, auf Genetikdaten oder andere Daten schauen Erkrankungen vielleicht früher entdecken können als dann bei einer rein Symptom basierten Diagnostik.

00:03:51: Und was für Daten schaut ihr euch da an?

00:03:54: Genau wir in der Arbeitsgruppe arbeiten sehr, sehr viel mit Bildgebungsdaten.

00:03:57: Das heißt das sind Daten von MRT-Scanern, anatomische Daten und funktionelle Daten.

00:04:03: Wir arbeiten viel mit Genetikdaten und wir fustinieren diese Daten dann mit klinischen Daten also sprich mit Symptomprofilen, Gesundheitsdaten aus Befragungen und Ähnlichem.

00:04:14: Und also strukturelle MRT Daten wird die Struktur des Gehirns dargestellt.

00:04:18: bei funktionellen MRT Daten geht es ja um die Funktionen des Gehörens sind das Daten, die im sogenannten Resting-State aufgenommen worden sind.

00:04:27: Also wo die Leute nichts im Scanner machen oder auch wenn sie bestimmte Rechneraufgaben lösen oder sich bestimmte Bilder anschauen.

00:04:36: Genau, also wir arbeiten in der Arbeitsgruppe viel mit großen Kohortendaten.

00:04:40: Das heißt uns ist vor allem wichtig dass wir sehr viele Individuen abdecken in unseren Datensätzen und müssen deswegen oftmals zu Protokollen greifen die über verschiedenste Datensätze verfügbar sind.

00:04:51: Und das ist dann im Normalfall bei funktioneller Bildgebung an Resting-States gern.

00:04:55: Das heisst die Probandinnen und Probanden liegen einfach für zehn, zwölf Minuten im Scanner.

00:05:00: normalerweise schauen sich entweder ein Video an oder einfach nur einen bildschirmenden Kreuz auf den sie fokussieren und werden dann einfach über diese Zeit lang gescannt.

00:05:11: Das heißt das MIT-Gerät macht immer wieder Bilder des Gehirns und man kann daraus dann Aktivierungsprofile, Konnektivität und Ähnliches ableiten.

00:05:20: Es gibt natürlich auch bestimmte Taskparadigmen, die du gerade angesprochen hast.

00:05:25: Mit denen arbeiten wir auch aber das sind wir im Normalfall eher restrikiert auf bestimmte Koharten in denen dieser Task eben erhoben wurde.

00:05:33: Und wie groß sind diese Kohartensstudien?

00:05:35: Es gibt ja UK Biobank mit recht vielen Daten.

00:05:38: Genau also bei UK Biobiobank.

00:05:40: da war es Tage dass man hunderttausend Leute in England scammed und da ist man inzwischen auch gelandet.

00:05:45: Wir haben im Moment Zugriff auf um die neunzig tausend MRT-Datensätze.

00:05:50: Wir arbeiten viel aus den USA mit dem ABCD-Datensatz.

00:05:53: Da sind wir dann, also mit Jupp Bauerbank zunächst gesagt, sind wir eher so im Altersbereich vierzig bis achtzig Jahre.

00:05:58: bei ABCD sind wir im Kinder und Jugendbereich.

00:06:01: das heißt in bei ABCd wurden um die elftausend Kinder inkludiert als sie neun Jahre alt waren und werden jetzt alle zwei Jahre gescannt.

00:06:08: da haben wir inzwischen drei Zeitpunkte das heißt die sind um die vierzehn bis sechzehn Jahre alt inzwischen.

00:06:14: Das sind so die ganz großen Datensätze.

00:06:15: Wir arbeiten in Deutschland mit Narko-Gesundheitsdaten beispielsweise, kann man dann arbeiten und dann gibt es noch viele kleinere Samples, die wenn man sie kombiniert natürlich auch einen wichtigen Beitrag leisten.

00:06:28: Ist es leicht Zugang zu diesen Datensätzen zu kriegen?

00:06:34: Wie bekommt man als Wissenschaftler Zugriff auf diese Daten?

00:06:38: Bei den meisten Datensätzen ist es so, dass man sogenannte Data-Usecremance unterzeichnet.

00:06:42: Das heißt da wird rechtlich geregelt wie man die Daten verwerten darf und wie es um die Datensicherheit bestellt ist.

00:06:49: Im Normalfall sind die Zugänge kostenlos.

00:06:52: Es gibt auch Kohorten bei denen zahlt man eine Access Fee.

00:06:56: Bei Jürgen Baubeng ist das um die elf Tausend Euro wenn ich mich richtig entsinne.

00:07:01: Es gibt auch sehr viele öffentlich zugängliche Daten, die man einfach direkt runterladen kann auf Plattformen wie zum Beispiel Open Neuro.

00:07:07: Die sich zum Ziel gesetzt haben gezielt diese Datensätze so zur Verfügung zu stellen.

00:07:11: Und wie gut sind die Daten klinisch charakterisiert?

00:07:15: Bei UK Biobank hat man an der Regel einen Zeitpunkt wobei sie ja auch mehrere Zeitpunkte auch scannen wollen oder zumindest ein Teil.

00:07:21: Für einen Teil gibt es auch einen zweiten Zeitpunkt.

00:07:24: Bei den ABCD-Daten hat das ja schon gesagt, dass es mehrere Zeitpunkte gibt – das ist natürlich toll!

00:07:31: Genau also muss immer unterscheiden zwischen crosssektionalen und longitudinalen Designs.

00:07:37: Bei UK Biobank ist es so, dass zunächst mal der Fokus auf crosssektionalen Daten war.

00:07:40: Das heißt da hat man um die Hunderttausende inzwischen gescannt und hat longitudinal lediglich ein paar tausend gescannte bislang.

00:07:46: Ist natürlich auch schon eine Menge je nachdem für was man es verwerten will.

00:07:50: Während ABCD ist wirklich longitudinal konzipiert, das heißt man hat mit elf Tausend gestartet und versucht auch diese Kohorte weiterzuziehen.

00:07:56: Da gibt es natürlich dann Dropouts longitudinal aber man versucht, dass so gut es geht eine möglichst große longitudinale Kohorte aufzusetzen.

00:08:04: Wenn's um klinische Charakterisierung geht muss man sagen, dass viele dieser Samples sind Populationssamples.

00:08:09: Das heißt man inkludiert im Grunde einfach Leute aus der Bevölkerung ohne jetzt spezifisch für eine bestimmte Erkrankung zu screenen oder danach zu inkludieren.

00:08:19: Und was man dann da oft hat, ist dass man so verschiedene Fragebögen zum Beispiel im Bereich der psychischen Gesundheit hat die dennoch etwas zur psychischen gesundheit abdecken was über eine einfache Diagnose hinausgeht.

00:08:30: das heißt obwohl ich beispielsweise keine Patienten darin habe wenige Patienten da drin habe, die jetzt eine Diagnose für beispielsweise Schizophrenie haben.

00:08:40: Habe ich trotzdem einen Fragebogen der abfrägt ob Leute schon mal eine Halluzination gehört haben beispielsweise über die gesamte Population?

00:08:47: Ja und wenn ihr jetzt so eine große Datenbank habt?

00:08:51: also wie geht ihr vor?

00:08:53: was analysiert ihr?

00:08:54: was versucht ihr zu predizieren oder verjahr zu sagen?

00:08:58: Genau, also im Normalfall fängt natürlich alles erstmal an mit dem Data Cleaning.

00:09:02: Das heißt wir müssen erst mal die Daten aufbereiten und müssen verschiedene Qualitätskontrollen durchführen.

00:09:06: Wir müssen die Daten erst einmal verstehen und das ist für jedes Sample spezifisch natürlich durchzuführen damit wir wissen womit wir haben es eigentlich zu tun.

00:09:13: was sind mögliche Confounder Variablen für die wir unsere Analysen aufbereiden müssen und ähnliches.

00:09:22: Und dann ist der nächste Schritt, dass wir ganz häufig eigentlich versuchen, maschinelles Lernen anzuwenden auf diese Daten.

00:09:28: Das heißt, wir versuchen beispielsweise im Bereich der Bildgebung, Bildgebungsdaten als Features zu verwenden um bestimmte Phenotypen vorherzusagen.

00:09:36: Ein gängiges Maß das wir dadurch erzeugen können ist das sogenannte Brain Age.

00:09:40: Das heisst was man versucht es aus den Daten des Gehirns das Alter einer Person zu bestimmen und da trainieren wir Modelle mit Tausenden von MRT-Datensätzen gesunden, deren Alter wir kennen, deren MRT wir haben und können dann ein Modell, ein Machine Learning-Modell generieren das eben das Alter bestimmen kann.

00:09:58: Dieses Modell kann ich dann anwenden auf neue Datensätze.

00:10:04: Wie alt wird eine Person vorhergesagt vom Machine Learning-Modell und inwiefern weicht das ab vom tatsächlichen Alter dieser Person?

00:10:10: Und hier sehen wir dann eben erste klinische Relevanz.

00:10:13: Hier sehen wir bei großen Patientensamples, dass im Gruppenmittel sozusagen Patientengruppen dann abweichen von dem tatsächlichem Alter.

00:10:23: Das heißt beispielsweise bei der Demenz sehen wir sehr starke Effekte, wo fast die gesamten Gruppe an Patienten mit Demenz haben ein Gehirn, das tatsächlich deutlich älter aussieht sieht, als sie es wirklich sind.

00:10:35: und das sehen wir auch ähnliches bei psychischen Erkrankungen in etwas abgeschwächter Form.

00:10:41: Und bei welchen psychischen erkrankungen?

00:10:43: Also bei Depressionen zum Beispiel?

00:10:46: Ja also die stärksten Effekte haben wir beobachtet bei Schizophrenie und bei bipolarer Störung.

00:10:53: Es gibt aber inzwischen eine Vielzahl von Studien für diverse psychische Erkrankungen und teilweise mit sehr, sehr unterschiedlichen Befunden.

00:11:00: Das hängt ja auch davon ab in welchem Alteich eigentlich ... In welchem probantenalteich sozusagen ins Gehirn schaue.

00:11:07: Wenn Sie zum Beispiel konzeptuell über Brain Age nachdenken dann... macht es sicherlich einen Unterschied, ob ich zum Beispiel wenn ich zehn Jahre alt bin ein Gehirn habe das älter aussieht als ich tatsächlich bin.

00:11:20: Das möchte man vielleicht sogar haben und ist weit entwickelt.

00:11:23: aber wenn man wiederum mit mit achtzig dann die Diagnose bekommt okay das Gehirnsied aus wie eines neunzigjährigen Dann hat es natürlich eine ganz andere Implikationen und dementsprechend sind da auch gewisse unterschiedlichen Studien zu erklären.

00:11:35: also beispielsweise im Bereich von Autismus gibt es sehr unterschiedliche Befunde und es hat zum Teil vielleicht auch damit zu tun.

00:11:42: hat man sich jetzt Kinder Oder schaut man bei Erwachsenen mit Autismus ins Gehirn?

00:11:47: In den meisten Fällen ist es so, dass das Gehirne eher älter aussieht.

00:11:53: Bei psychischen oder anderen Erkrankungen.

00:11:57: Es gibt auch Befunde wo's jünger aussieht, richtig bei Kindern zum Beispiel.

00:12:02: Also man ist davon ausgegangen, dass man eben bei Kindern mit erstem psychischen Störungen so etwas finden müsste.

00:12:09: Eigentlich gibt es auch Studien die das gefunden haben.

00:12:11: Die Studienlage ist ein bisschen durchmischt.

00:12:13: aber gerade aufgrund dieser Interpretation dass man sagt vielleicht haben wir es eigentlich bei diesen Kindern eher mit einer Entwicklungsverzögerung zu tun und deswegen vielleicht ein Gehirn das tatsächlich jünger aussieht als es eigentlich ist.

00:12:24: Ansonsten sehen wir solche Effekte, wo die Machine-Learning-Modelle ein Jüngeres gehirn.

00:12:29: Vorher sagen beispielsweise bei Müttern das Gehirn jünger aussieht gegenüber Nichtmüttern.

00:12:36: Und wie kann man das erklären?

00:12:38: Wir wissen einfach, dass die Schwangerschaft ist eine Phase in der das Gehör massiv umgebaut wird, um die Personen auf die Mutterschaft vorzubereiten.

00:12:46: Da passiert sehr viel im Gehirnen Und es gibt noch hormonelle Umstellungen, es gibt eine strukturelle anatomische Umstellung und damit einhergehend gibt's eben dementsprechende Veränderungen im Gehirn.

00:12:59: Ja vielleicht kannst du noch mehr erklären was das genau heißt?

00:13:02: Das Angehören älter aussieht oder jünger aussieht?

00:13:04: also was haben die Maschinenmodelle benutzt um zum Beispiel das Alter zu lernen?

00:13:09: Genau, also was man im Normalvermacht ist, man startet mit den MRT-Bildern.

00:13:13: Man kann jetzt sogenannte die Learningmodelle direkt auf den Bildern anwenden.

00:13:16: oder die einfache Variante ist quasi.

00:13:19: man wendet Segmentierungsalgorithmen Beispielsweise FreeServe, als einer der Algorithmen die man verwenden kann.

00:13:26: und was diese Algorithme machen ist dass sie das Gehirn rekonstruieren aus dem Bilddaten.

00:13:32: Und daraus dann beispielsweise bestimmte Gehirne-Regionen segmentieren und deren Volumina, deren Dicke und ähnliche Parameter extrahieren.

00:13:40: Mit diesen kann man dann quasi arbeiten.

00:13:42: Das heißt was man da rausbekommt sind im Grunde Tabellen wo man für jeden Probanden jede Probandin die Volumina und die dicke Fläche von bestimmten Corticalen und sub-Corticalen Arealen bekommt.

00:13:56: Und das wendet man dann an im maschinellen Lernen als Features, und sagt in dem Fall dass chronologische Alter der Person basierend auf diesen Features vorher.

00:14:05: Welches Modell man dann verwendet, da gibt es natürlich eine ganze Bandbreite.

00:14:09: Viele verschiedene Studien dazu.

00:14:11: Manche Modelle schneiden vielleicht besser ab andere schlechter aber grundsätzlich kann man sagen dass sich Alter sehr gut vorhersagen lässt und man somit auch mit den unterschiedlichsten Modellen gute Resultate erzielen

00:14:21: kann.

00:14:22: Also würdest du sagen, es macht gar keinen so großen Unterschied welches Modell man nun am Ende für die Altersprediktion verwendet und würdest so grundsätzlich sagen lieber Features vorher zu extrahieren um besser zu wissen was eigentlich die die Predektion begründet?

00:14:39: oder würde ich sozusagen die Learningmodelle sind schon auch interessant weil sie vielleicht nochmal irgendwie einen anderen Aspekt der Daten hervorheben können.

00:14:47: Ich denke, was wichtig ist, dass man ein Modell hat in dem man etwas herausbekommt, das interpretierbar ist.

00:14:51: Das ist für uns in der Forschung zumindest das Wichtige.

00:14:53: Wir wollen im Grunde nicht nur einen Modell das funktioniert sondern wir wollen auch am Ende irgendwie interpretieren können.

00:14:58: Was hat denn zu dieser Vorhersage geführt?

00:15:01: Dass es beim Alter vielleicht noch nicht gleichermaßen relevant wird.

00:15:05: aber es wird dann sehr relevant wenn ich beispielsweise Erkrankungen oder ähnliches vorher sage.

00:15:09: Deswegen zu deiner Frage ob es jetzt keinen Unterschied macht welches Modell ich nehme vermutlich in Sachen Treffergenauigkeit sind natürlich die Learningmodelle ein bisschen besser als jetzt einfache klassische Machine-Learning-Modelle.

00:15:24: Nichtsdestotrotz werden alle Modelle relativ gut funktionieren, aber interessant ist es dann eben in Sachen Interpretierbarkeit.

00:15:32: wenn ich zum Beispiel eine Support Vector Maschine nehme deren Feature Gewichte nicht wirklich gut interpretieren kann endet meine Vorhersage mit der Vorhorsage und ich kann nicht wirklich weitergehen.

00:15:45: Was wir deswegen machen ist, dass wir zum einen haben die Learning-Projekte wo es ein bisschen mehr in Richtung Interpretability gehen, zum anderen haben wir aber auch Studien in denen wir nochmal die Featuresets ganz gezielt vorverarbeiten das wir beispielsweise Featuresats bauen die nur Regionen beinhalten für die wir eine Hypothese haben also wir quasi unsere neue Neurowissenschaftliches Knowhow einfließen lassen.

00:16:10: Als Beispiel hier schauen wir uns Geschlechtsunterschiede im Gehirn an.

00:16:14: Das heißt, wir machen ähnliche Sachen wie bei der Brain-Age-Prediction.

00:16:17: Wir schauen in dem Fall können wir zwischen Männern und Frauen unterscheiden mittels Gierenbildgebung über maschinelles Lernen.

00:16:25: Und diese Modelle funktionieren ebenfalls sehr gut.

00:16:28: Das ist relativ einfach zu unterscheidern aber... Wir gehen dann eben den Schritt weiter, dass wir dann noch mal zusätzliche Modelle bauen wo wir uns beispielsweise nur auf das limbische System beziehen.

00:16:39: Das heißt wir inkludieren nur Features die Teil des limbischen Systems sind und bauen dann ein Modell das nur basierend auf dem limbischen System zwischen Männern und Frauen unterscheidet.

00:16:48: Im Sachen Treffergenauigkeit erzielt es eine ähnliche Performance wie wenn ich das gesamte Gehirn inkludiere.

00:16:55: aber für die Interpretationen macht jetzt einen Unterschied weil ich weiß ich habe wirklich nur limbische Features da drin Und wir gehen dann immer den Schritt weiter, dass wir nicht nur die binäre Klassifikation uns anschauen.

00:17:06: Also ist das jetzt ein Mann oder eine Frau?

00:17:08: Ist es nicht wirklich relevant für uns, sondern wir gucken uns danach an.

00:17:11: mit welcher Wahrscheinlichkeit hat das Machine Learning-Modell eigentlich die Entscheidung getroffen und da ist natürlich schon eine Relevanz ob ich sage Ich bin mir mit einen Fünfzig Prozent sicher, dass das eine Frau ist oder ich bin mir zum Neunneinzig Prozent, dass sie eine Frau.

00:17:25: Und diese Wahrscheinlichkeiten sind eben sehr, sehr unterschiedlich.

00:17:29: Je nach Modell das sich auswähle und wir gehen davon aus dass wenn wir dann die Features jetzt auf Features definieren, die uns interessieren von denen wir denken, dass sie eine neurowissenschaftliche Implikation haben für den Phenotypen, den wir untersuchen, dann gehen wir davon aus, dass es uns hilft.

00:17:46: Inwieweit unterscheiden sich denn die Gehirne von Männern und Frauen?

00:17:49: Ja, das ist eine sehr, sehr gute Frage.

00:17:51: Also es ist so dass die Modelle sind grundsätzlich sehr gut darin Männer- und Frauen zu unterscheidern was aber weitestgehend daher rührt, dass die Männergehirne einfach im Volumen ein bisschen größer sind sowie die meisten Männer auch ihr Körpergröße ein bisschen grösser sind.

00:18:06: Deswegen ist es relativ einfach zwischen den Gehirnen zu unterschreiten.

00:18:09: Das ist aber nicht unbedingt eine Varianz, die uns wirklich interessiert.

00:18:13: wenn wir Über diese Varianz hinaus schauen, also quasi die Größe mal rausnehmen und da gibt es verschiedene Techniken wie wir das heraus rechnen können.

00:18:20: Dann sehen sich Frauen- und Männergehände extrem ähnlich.

00:18:23: Und das heißt in dem Fall sind die Unterschiede dann sehr subtil.

00:18:29: Wie nehmt ihr quasi die Grösse raus?

00:18:31: Also wie korrigiert ihr dafür an den Modellen?

00:18:35: Was bleibt denn dann an unterschiedlichen Bestehen?

00:18:39: Also die Frage, wie man die Größe am besten rausnimmt ist immer noch so eine Frage.

00:18:42: Die Offenheit im Feld gibt es viel Forschung dazu.

00:18:45: Ursprünglich hat man das gemacht, indem man es einfach statistisch aus den Features herausgerechnet hat über ein einfaches lineares Modell, die Gesamtgröße quasi rausgerechnet.

00:18:56: Inzwischen arbeiten wir aber mehr damit dass wir im Trainingsdatensatz ein Matching vornehmen.

00:19:01: Das heißt, wir nehmen Männern mit möglichst kleinen Gehirnen und Frauen mit möglichst großen Gehirne die auch noch altes gematched sind damit wir schon im Training überhaupt diesen Größenunterschied gar nicht drin haben.

00:19:13: dadurch funktionieren die Modelle deutlich schlechter.

00:19:16: aber das was wir dann rauskriegen an Predictions von den Modellen ist eben auch nicht mehr einfach nur dieser Einfache Kursenunterschied, das passiert nicht mehr einfach nur auf diesem Kurs.

00:19:26: Und in welchem Bereich liegt denn die Klassifikationsgenauigkeit noch?

00:19:31: Das ist im Normalfall ... es droppt irgendwo so von neunzig auf siebzig bis achtzig Prozent

00:19:37: runter.

00:19:37: Okay aber das ist ja immer

00:19:39: noch genug um klassifizieren zu können.

00:19:42: und jetzt so von der klinischen Interpretation her sowohl bei Brain Age oder auch bei Brain Sex.

00:19:49: was Also?

00:19:51: was macht man mit der Information zum Beispiel?

00:19:53: Okay, mein Gehirn sieht fünf Jahre älter aus oder mein Gehörn sieht vielleicht männlicher aus.

00:19:59: Genau also für uns ist einfach die Frage ob wir die darunter liegenden Wahrscheinlichkeiten mit denen die Machine Learning Modelle uns eine Vorhersage machen, ob wir sie verwenden können als einer Art Biomarker In den Beispielsweise bei verschiedenen Erkrankungen.

00:20:13: Wir wissen beispielsweise, dass viele der psychischen Erkränkungen große Geschlechtsunterschiede haben sowohl in der Prävalenz der Erkrankung als beispielsweise Depressionen sehr häufig bei Frauen, ADHS viel häufiger bei Männern und Ähnliches.

00:20:27: auch in Sachen Symptomatik und Verläufen

00:20:30: usw.,

00:20:30: gibt es große Geschleichsunterschiedee.

00:20:31: wir wissen aber nicht wirklich wo die herkommen Und deswegen nehmen wir quasi Brain Sex als eines der Modelle um eine Vorhersage zu machen, die irgendwie mit dem Geschlecht zu tun hat.

00:20:44: Und bringen das dann in die Assoziationen mit den tatsächlichen klinischen Phänotypen, die uns doch sehen wie beispielsweise Depression.

00:20:49: Also wir haben beispielsweise Assoziation gefunden zwischen Depression und dem Braincex.

00:20:55: Ja...und würdest du sagen dass es sinnvoll ist, die Analysen auch getrennt zu rechnen.

00:21:04: Also dass man nur für Frauen bestimmte Modelle trainiert weil ein psychischer Erkrankung da besonders interessieren und für Männer getrenned?

00:21:11: oder hat man einen Vorteil davon wenn man die ganzen Daten kombiniert außer darüber hinaus das man mehr Daten hat?

00:21:17: Ja

00:21:18: das ist ein guter und wichtiger Punkt.

00:21:19: also ich denke es hängt immer davon ab was wir vorher sagen.

00:21:22: also beispielsweise im Bereich Brain Age haben wir.

00:21:25: Das ist schon gemacht.

00:21:26: Da haben wir Modelle nur für Frauen, Modelle für Männer verwendet oder trainiert und müssen dann sagen dass die Modelle extrem ähnlich sind und auch die gleichen Vorhersagen machen so das man hier eigentlich keine wirklichen Geschlechtsunterschiede hat.

00:21:39: Und dann habe ich natürlich mehr zu gewinnen wenn ich die Daten zusammenpule und meinen Training sei es deutlich größerer.

00:21:47: Wenn ich aber irgendwas geschlechtsspezifisches vorhersage dann muss ich teilweise auf einen geschlechtsspezifisches Modell gehen.

00:21:55: Beispielsweise haben wir auch schon Pubertätsvariablen, wie zum Beispiel Minaki bei Frauen vorhergesagt und dann bin ich natürlich restregiert auf nur die Frauengehirne und baue da auch ein Modell mit nur

00:22:06: Frauengehirnen.".

00:22:07: Ja das würde mich auch nochmal interessieren.

00:22:09: also bei den ABCD-Daten habt ihr eben Daten von Kindern und guckt euch quasi an wann die Pubertät einsetzt und schaut euch das in Relation zur Hirnstruktur oder auch zur Hinfunktion an richtig?

00:22:23: Genau, also bislang weitestgehend soher in Struktur.

00:22:25: Beispielsweise eben über solche Brain-Sex-Modelle dass wir dann anschauen wenn ich mir die Wahrscheinlichkeit anschaue mit der Eingechern als männlich oder weiblich klassifiziert wird wie ändert sich das wenn die entsprechende Person durch die Pubertät geht?

00:22:38: Und wie ist das?

00:22:40: Also wenn man jetzt zum Beispiel diese drei Zeitpunkte hat findet da viel Veränderung statt

00:22:45: Genau, also wir finden auf jeden Fall Altersveränderungen.

00:22:47: Die sind ziemlich stark.

00:22:48: Wir finden aber darüber hinaus eben auch, dass beispielsweise das Einsetzen der Blutung bei den Frauen einen großen Effekt hat auf das Brain-Sex.

00:22:58: Du hattest ja auch gesagt, dass während der Schwangerschaft ein großer Umbau stattfindet und ihr untersucht hier viel Frauengesundheit?

00:23:05: Vielleicht kannst du da noch mal ein bisschen ...

00:23:06: Genau, eine Limitation in den Dingen die wir so machen immer haben, sind die tatsächlich verfügbaren Daten.

00:23:14: Das heißt, wir arbeiten viel mit populationsbasierten Daten und mit großen Datensätzen.

00:23:19: Und die sind aber oftmals klinisch wenig gut charakterisiert oder es gibt einfach bestimmte Phenotypen, die gar nicht abgedeckt werden.

00:23:27: Deswegen versuchen wir natürlich auch als Team beizutragen das neue Daten akquiriert werden, dass wir bestimmte Sachen besser untersuchen können.

00:23:35: Ein Phenotyp, der mich da sehr interessierte ist in dem Fall der Schwangerschaftsverlust weil wir eben wissen, die Prävalenz von psychischen Erkrankungen stark steigt.

00:23:46: Wir haben dann mit dem Schwangerschaftsverlust eine Art Modell, wo wir Frauen unmittelbar nach Schwangersachtsverluste in die Studie inkludieren können und sie dann wiederholz scannen können – also das Gehirn uns wiederholt angucken kann – und gleichzeitig die psychische Gesundheit im Lenkschnitt auch anschauen können.

00:24:02: Und wenn dann eben Erkankungen wie Depressionen, Angststörungen oder Ähnliches entstehen, dann können wir das Gleiche im Gehirnen quasi untersuchen Zeitgleich.

00:24:11: Und ich denke, hier liegt dann eigentlich der Zugewin von solchen Studien.

00:24:17: natürlich können wir keine Tausenden von Probandinnen inkludieren sondern haben eher relativ kleine Stichprobengrößen und können aber wiederum das ganze kontextualisieren mit den großen Datensätzen mit unseren Machine Learning Modellen die wir in großen Datendsätzen bauen und beides kombinieren.

00:24:34: Und wenn du jetzt sagst, kontextualisieren.

00:24:36: Was bedeutet das genau?

00:24:37: Heißt es, dass ihr Modelle auf den großen Kohorten vortrainiert?

00:24:41: oder nehmt einfach die Erfahrungen, die ihr habt mit den großen Kohortendaten und guckt wie sich vergleichbare Modelle in kleineren Kohortens verhalten?

00:24:49: Genau!

00:24:49: Es gibt verschiedene Ansätze.

00:24:50: Also eine Sache, die wir natürlich machen ist, dass wir die Modelle wie Brain-Age-Modelle, Brain-Sex-Modelle spezielle Modelle, die auf Mutterschaft oder Vaterschaft trainiert sind in den großen Koordendaten auf kleine Datensätze anwenden können.

00:25:04: Dann ist es natürlich immer so dass auch das Know-how, dass wir aus den großen Datensätzen Gewinn einfließt in alles was wir mit kleinen Datensetzen machen.

00:25:13: und darüber hinaus gibt's gerade im Bereich des maschinellen Ernest dann Möglichkeiten mittels Transfer Learning oder ähnliches, dass man in großen datensätzen einen Modell vortrainiert.

00:25:21: Und

00:25:25: jetzt bei den Frauen mit dem Verlust der Schwangerschaft.

00:25:29: geht es darum, frühzeitiger zu erkennen.

00:25:33: Ob sie eine psychische Erkrankung entwickeln werden oder geht das mehr darum die Mechanismen zu verstehen?

00:25:38: Oder was genau im Gehirn eigentlich passiert

00:25:41: in der Verarbeitung?

00:25:42: Genau!

00:25:42: Es geht zunächst mal darum überhaupt zu kattieren, was passiert im Geirn wenn eine psychisch Erkrankung entsteht Und das ist in dem Fall mit dem Schwangerschaftsverlust auch eine Periode, in der wir davon ausgehen, dass über die psychische Gesundheit hinaus noch sehr viel passiert im Gehirn.

00:25:59: Weil wir wissen, dass die Schwangersschaft selbst ja das Gehirnen komplett umgebaut hat und neurowissenschaftlich ist es dann interessante Frage was passiert danach?

00:26:06: Wenn ich die Schwangenschaft verliere wird mein Gehirnt wieder zurück gebaut oder bleiben die Veränderungen bestehen?

00:26:11: aber es ist sehr wahrscheinlich eine erneut sehr, sehr plastische Phase im Gehirn eigentlich vorliegt und das zum Beispiel aufzutröseln.

00:26:20: Was sind jetzt eigentlich Veränderungen die mit der Schwangerschaft zu tun haben?

00:26:23: Rückbauten und ähnliches?

00:26:25: und welche Veränderung gehen es tatsächlich mit den psychischen Störungen einher?

00:26:30: Das heißt ihr habt aber auch dann Daten von Frauen mit einer intakten Schwangersschaft um das dann auch miteinander vergleichen zu können.

00:26:40: Genau, die haben wir als Kontrollen mit drin.

00:26:42: Das heißt, wir haben auch Frauen nach Geburt eines gesunden Kindes inkludiert als Kontollen.

00:26:48: Und was schaut ihr euch da im Gehirn an?

00:26:52: Also vor allen Dingen Struktur aber Funktion ja wahrscheinlich auch oder?

00:26:56: Wir schauen beides an.

00:26:57: also wir haben ein Protokoll mit anatomischen Daten T-I und C-II DTI und dann aber auch funktionell Resting State.

00:27:05: Aber Task basiert nicht

00:27:08: Task passiert nicht.

00:27:09: Wir haben es möglichst kurz gehalten, man muss ja sehen dass wir die Frauen in einer extrem vulnerablen Phase ihres Lebens inkludieren und das ist ohnehin schon relativ viel verlangt sage ich mal dass sie fünfmal oder vier bis fünf Mal sich für eine Stunde in den Scanner legen.

00:27:23: in dieser Phase und dementsprechend wollten wir es kurz halten

00:27:28: Würdest du denn sagen, dass insgesamt die Daten, die zur Verfügung stehen.

00:27:33: Sowohl die großen Koordinbanken als auch jetzt Daten, das ihr selbst erhebt ausreichen?

00:27:38: Um KI-Modelle gut trainieren zu können und wirklich die Fragen beantworten zu können?

00:27:44: Wie zum Beispiel warum entsteht so eine bestimmte Zeitpunkt psychischer Erkrankungen?

00:27:49: Können wir das vielleicht ein paar Jahre vorher schon vorhersagen?

00:27:55: Also ich würde sagen, dass in der Vergangenheit sehr viele Studien gemacht wurden die einfach zu wenig Daten hatten um tatsächlich valide Ergebnisse zu erzeugen und das wir deswegen auch oftmals vielleicht so verschiedene Befunde bekommen haben aus diesen Studien.

00:28:09: Wir sehen jetzt in den letzten Jahren, dass diese großen Datensätze an verschiedensten Orten aufkommen und uns natürlich extrem helfen, die ändern die Art und Weise wie wir Wissenschaft machen können, die ändern auch die Art.

00:28:24: Insofern haben wir hier einen deutlichen Zugewin, den wir sehen.

00:28:28: Aber ich denke, wir sind gerade auf klinischer Seite immer noch nicht da wo wir eigentlich hin müssen nämlich dass wir wirklich klinische Daten in größerer Bandbreite bekommen das wir bestimmte Datensätze besser klinisch charakterisieren

00:28:39: Und wie siehst du den Weg dazu?

00:28:42: Also ist das Aufgabe der Kliniken mehr klinischen Daten auch zur Verfügung zu stellen Dass es auch genutzt werden kann um KI-Modelle zu trainieren.

00:28:53: Ja, also ich denke es ist wie immer so dass das verschiedene Akteure beteiligt sein müssen.

00:28:58: Zum einen brauchen wir sicherlich Daten die in den Kliniken erhoben werden und dass die Daten die bereits erhoben sind auch besser zur Verfügung gestellt werden können.

00:29:06: Zum anderen ist es aber auch Aufgabe der großen Populationsdatensätze, die erhoben werden, dass sie bessere klinische Charakterisierung einbinden.

00:29:14: Dass es auch mehr Standardisierungen gibt für die verschiedenen Variablen, die erhöben werden – also nicht nur die Klinischen sondern auch andere Maße -, dass man aufgrund von Standardisierung dann einfach auch verschiedene Datensätze miteinander besser kombinieren kann.

00:29:27: und ich denke das ist schon etwas wo wir auch hingehen als Feld.

00:29:29: Es gibt sehr viele Standardisierungsprotokolle in letzter Zeit.

00:29:37: Ja, es muss ja auch dann viel standardisiert werden also sowohl die klinischen ... Also die Diagnosen.

00:29:42: ich meine hat natürlich die großen Manuale aber auch welche Frage mögen man jetzt genau nutzt um zum Beispiel psychische Erkrankung zu erfragen und zu bestimmen aber auch die MRT-Sequenzen oder wir haben ja schon über die taskbasierten FMRT Daten.

00:29:58: da gibt's ja auch ganz viele unterschiedliche Paradigmen die man erheben kann.

00:30:04: Man hat sowohl bei der Akquisition Standardisierungsfragen, dass man da sicherstellen möchte.

00:30:08: Dass man die gleichen Sachen erhebt – die gleichen Bildgebungsprotokolle oder die gleichen Fragebögen und so weiter.

00:30:14: Man hat dann aber auch bei der Analyse wiederum Standardisierungfragens natürlich wichtig das man sich als Feld auf bestimmte Analysemethoden einigt wie man Dinge macht oder was Best Practices sind bei der Analyse beim Reporting usw.

00:30:26: Ich denke es ist... Ja, Aufgabe nicht nur der Aquiriewasser und auch der Analystik.

00:30:33: Absolut!

00:30:33: Wenn du dir deinen Traumdatensatz zusammenstellen könntest wie würde er aussehen?

00:30:39: Das ist jetzt eine große Frage weil ich denke der wäre zu teuer um ihn zu akquirieren.

00:30:43: Ja, unbegrenztes

00:30:44: Geld, Ressourcen...

00:30:46: Ich bin ein großer Fan von Datensätzen wie der Yucca Biobank, weil die es einfach geschafft haben diverse Modalitäten zur Verfügung zu stellen in großer Bandbreite.

00:30:56: Wir haben eben nicht nur Bildgebungsdaten da drin wir haben zum Beispiel auch Genetik-Daten die sehr sehr wertvoll sind da drin und wir haben dann auch zu einem gewissen Grad klinische kognitive und ähnliche Fragebögen mit drin die wir verwerten können.

00:31:11: Ich denke, wenn wir Daten wie diese bekommen, die einfach nochmal mehr klinische Variabilität, mehr klynische Bandbreite aufgreifen, dann wäre das schon mal ein weiterer Traumdatensatz.

00:31:22: Und welche Rolle spielt die Genetik bei der Entstehung von psychischen Erkrankungen?

00:31:28: Die Genetika spielt natürlich eine große Rolle.

00:31:30: Die meisten psychischen Krankungen haben eine starke genetische Komponente, sind vererbbar und genau das sehen wir auch in unseren Studien.

00:31:38: Wir machen viel in die Richtung Kombination von Bildgebungsdaten mit Genetik-Daten, weil uns beispielsweise auch interessiert welche Genvarianten bedingen eigentlich Gehirn, Anatomie-, Gehirnenfunktionen.

00:31:51: Und wie sind die wiederum verknüpft mit psychischen Erkrankungen?

00:31:55: Das heißt, die genetische Information, die beispielsweise in Nürke Bauerbank zur Verfügung steht ist da sehr hilfreich.

00:32:00: Damit wir ein besseres Verständnis der Genetik vom Gehirn bekommen.

00:32:04: und gleichzeitig gibt es eben große Studien, in denen man Datensätze von bestimmten Krankheitsbildern zusammenpult und dort Genetikanalysen laufen lässt um dann zu extrahieren welche Gene sind relevant für bestimmte Erkankungen.

00:32:18: Dann kann man wiederum in dieser Schnittstelle aus Bildgebungsgenetik und beispielsweise Depressionsgenetika, Schizophrenie-Genetika und ähnlichem dann wiederum extrahieren welche Gene sind da für beide Phenotypen relevant.

00:32:32: Versucht ihr dann auch quasi zu faktorisieren?

00:32:34: Zum Beispiel bei einer bestimmten Person hat die und die Genetik eine Rolle gespielt.

00:32:38: So viel haben vielleicht äußere Faktoren eine Rollegespielt, wäre das oder wäre das so ein Ziel dass man das gerne hätte genauer zu verstehen warum in einer bestimmte Person jetzt diese psychische Erkrankung entstanden ist und das auch vielleicht zu quantifizieren?

00:32:53: Genau, ich denke das ist wiederum etwas was sehr schwierig ist im Bereich der psychischen Gesundheit.

00:32:57: Weil einfach die psychischen Erkrankungen sind Hochpoligien.

00:33:02: Das heißt ich habe nicht ein einziges Gehen dass eine Erkrankung verursacht sondern ich hab hunderte von Gene und bisherige Ansätze die es so gibt wie beispielsweise sogenannte Polygenic Risk Scores in denen man versucht Risiken von verschiedenen Genvarianten aufzusummieren in einen einzigen Score.

00:33:20: Die sind bislang in der Psychiatrie nicht wirklich wirkungsvoll, eben weil alles sehr heterogen ist und man muss immer, darf nicht vergessen es ist eben nicht nur die Genetik obwohl die Erkrankungen natürlich vererbt werden aber dass die Umgebung spielt auch eine große Rolle Und beides zusammen ist dann das was eigentlich dann maßgeblich ist.

00:33:38: Okay Vielen Dank für das Gespräch.

00:33:41: Sehr spannend zu hören, was so ein Bereich Computational Psychiatry passiert und auch was es für Möglichkeiten gibt mit diesen großen Kohortenstudien aber auch dass du daran arbeitest selbst Daten zu erheben um dann auch spezifische Fragestellungen in bestimmten Populationen zu untersuchen.

00:33:56: Vielen Dank!

00:33:56: Dieser Podcast ist ein gemeinsames Angebot des Härteinstituts for AI and BrainHealth der gemeinnützigen Härti-Stiftung des Tübinger EICenters und des Instituts für Klinische Anatomie & Cellanalytik der Universität Tübingen.