MR-basierte Prognosemodelle für kognitive Vulnerabilität und klinische Progression mittels Machine Learning

In dieser Projektlinie entwickeln wir maschinelle Lernverfahren zur MR-basierten Vorhersage individueller kognitiver Unterschiede, kognitiven Abbaus sowie klinischer Konversion von kognitiv unauffälligen Stadien zu milder kognitiver Beeinträchtigung (MCI). Ausgangspunkt ist die Annahme, dass strukturelle Hirnmorphometrie latente Informationen über aktuelle kognitive Leistungsfähigkeit und zukünftige Krankheitsprogression enthält, die mit klassischen univariaten Ansätzen nur unzureichend erschlossen werden.

Methodisch kombinieren wir probabilistische Modelle, insbesondere Gauß-Prozess-Regression und -Klassifikation, mit modernen Deep-Learning-Architekturen zur hochdimensionalen Merkmalsextraktion aus strukturellen MRI-Daten. Während probabilistische Modelle eine explizite Quantifizierung prädiktiver Unsicherheit und kontinuierlicher kognitiver Zielgrößen erlauben, adressieren Deep-Learning-Ansätze insbesondere die nichtlineare Vorhersage klinischer Konversion auf Individualebene.

Die Modelle werden systematisch in der multizentrischen DZNE-DELCODE-Kohorte evaluiert und anhand longitudinaler Follow-up-Daten validiert. Ein zentraler Fokus liegt dabei auf der Trennung von querschnittlicher Klassifikation und echter prognostischer Leistung, insbesondere im Hinblick auf zeitlich verzögerte kognitive Verschlechterung und diagnostische Übergänge. Insgesamt zielt diese Projektlinie darauf ab, robuste, generalisierbare und interpretierbare MR-basierte Prognosemodelle zu entwickeln, die sowohl kognitive Vulnerabilität als auch klinische Progression im frühen Alzheimer-Kontinuum erfassen.

MR-based predictive modelling of clinical outcomes using machine learning

We develop methods and application for prediction of clinical outcomes such as memory performance and biomarker positivity using structural brain morphometry images. We focus on non-parametric methods such as Gaussian process (GP) Regression and Classification. We validate the approaches in context of the DZNE DELCODE cohort and validate the predictions using longitudinal data.