KI entschlüsselt Hirn-MRT: Selbstlernendes Modell findet frühe Spuren von Demenz und Krebs

Wenn das Gedächtnis nachlässt oder ein Hirntumor vermutet wird, liefert ein MRT oft entscheidende Hinweise. Doch viele Veränderungen im Gehirn sind subtil. Frühstadien von Demenz, genetische Eigenschaften von Tumoren oder Hinweise auf die Lebenserwartung lassen sich selbst für erfahrene Radiologen nicht immer eindeutig aus einem einzelnen Scan ablesen. Eine neue Entwicklung verspricht nun Abhilfe: Ein KI-System wertet Hirn-MRTs so aus, dass auch feine Muster sichtbar werden – mit hoher Präzision.

In einer aktuellen Studie berichten Forschende des US-Gesundheitsverbunds Mass General Brigham über ein Modell namens BrainIAC. Es wurde mit 48.965 Hirn-MRT-Aufnahmen trainiert und validiert. Anders als herkömmliche Programme benötigt es keine riesigen, manuell markierten Datensätze. Das System lernt selbstständig typische Strukturen gesunder und erkrankter Gehirne. Dieser Ansatz macht es für den klinischen Alltag interessant.

Was das neue KI-Hirn-MRT bei Demenz und Krebs früher erkennt

Viele Krankenhäuser verfügen nicht über perfekt annotierte Bildarchive. Bei seltenen Tumorarten oder frühen Demenzformen stehen oft nur wenige Trainingsdaten zur Verfügung. Klassische KI-Modelle stoßen hier schnell an Grenzen. BrainIAC wurde genau für solche Situationen entwickelt.

Das Modell absolvierte sieben klinisch anspruchsvolle Prüfungen. Dazu gehörten unter anderem:

• die Bestimmung des biologischen Gehirnalters
• die Unterscheidung zwischen leichter kognitiver Störung und gesunden Personen
• die Vorhersage genetischer Veränderungen bei Gliomen
• die Prognose des Ein-Jahres-Überlebens bei Glioblastomen
• die Segmentierung von Tumorgewebe
• die Einschätzung der Zeit seit einem Schlaganfall

In allen Bereichen übertraf es drei etablierte, auf Einzelaufgaben spezialisierte KI-Systeme.

Demenz früher erkennen – selbst bei wenig Daten

Als es darum ging, Menschen mit einer leichten Gedächtnisstörung von gesunden Personen zu unterscheiden, traf BrainIAC deutlich häufiger die richtige Entscheidung als andere Programme. Auf einer Skala von 0 bis 1 erreichte das System einen Wert von 0,88 – andere Modelle blieben bei 0,82 oder darunter. Selbst wenn nur zehn Prozent der Trainingsdaten zur Verfügung standen, kam die KI noch auf 0,70.

Das ist bedeutsam, weil frühe Formen einer Demenz oft schwer zu erkennen sind. Je früher Veränderungen sichtbar werden, desto eher lassen sich Therapien planen und Betroffene begleiten.

„BrainIAC hat das Potenzial, die Entdeckung von Biomarkern zu beschleunigen, Diagnosetools zu verbessern und die Einführung von KI in der klinischen Praxis zu beschleunigen“, sagt Benjamin H. Kann von Mass General Brigham, einer der leitenden Autoren der Studie. Die Integration in bestehende MRT-Abläufe könne helfen, Therapien stärker auf einzelne Patienten zuzuschneiden und Entscheidungen gezielter zu treffen.

Auch beim sogenannten Gehirnalter zeigte sich der Vorteil. Dabei vergleicht die KI das tatsächliche Lebensalter mit dem biologischen Zustand des Gehirns. In einer unabhängigen Prüfung wich die Berechnung im Schnitt nur um 6,55 Jahre ab, obwohl nur ein Fünftel der Trainingsdaten genutzt wurde. Andere Programme lagen deutlich weiter daneben.

Tumorbiologie aus Bildmustern berechnet

Noch schwieriger wird es, wenn ein MRT nicht nur einen Tumor zeigen soll, sondern auch Hinweise auf seine genetischen Eigenschaften liefern muss. Bei bestimmten Hirntumoren, sogenannten Gliomen, spielt die IDH-Mutation eine wichtige Rolle für Therapie und Prognose. Hier erreichte BrainIAC einen Wert von 0,79 auf der Genauigkeitsskala bis 1. Andere Programme kamen lediglich auf Werte zwischen 0,59 und 0,68.

Auch bei der Frage, wie hoch die Wahrscheinlichkeit ist, ein Jahr nach der Diagnose eines besonders aggressiven Hirntumors – dem Glioblastom – noch zu leben, lag das System vorne. BrainIAC erzielte einen Wert von 0,72. Vergleichsmodelle blieben oft nahe am Zufallsbereich um 0,50. Selbst wenn nur zehn Prozent der Trainingsdaten genutzt wurden, hielt die KI noch einen Wert von 0,62.

Die Autoren schreiben, BrainIAC „übertrifft lokal trainierte Modelle und andere vortrainierte Systeme, insbesondere bei geringer Datenverfügbarkeit“. Übersetzt heißt das: Die Leistung bleibt stabil, auch wenn nur wenige Beispiele zum Lernen vorhanden sind.

Robust auch bei realistischen Klinikbedingungen

MRT-Aufnahmen unterscheiden sich je nach Gerät und Protokoll. Kontrast, Signalstärke oder Bildartefakte variieren. Das Team testete daher künstliche Störungen wie Kontrastveränderungen oder Verzerrungen.

Auch hier zeigte sich BrainIAC stabiler als Vergleichsmodelle. Besonders bei komplexen Aufgaben wie Mutationsvorhersage oder Schlaganfall-Zeitbestimmung blieb die Leistung konstant.

Kurz zusammengefasst:

• Ein selbstlernendes Modell analysierte knapp 49.000 Hirn-MRTs und übertraf drei spezialisierte KI-Systeme – besonders dann, wenn nur wenige Trainingsdaten verfügbar waren.
• Bei der Früherkennung leichter kognitiver Störungen erreichte es eine Genauigkeit von 0,88; selbst mit nur zehn Prozent Trainingsdaten blieb die Leistung stabil bei 0,70.
• Auch bei Hirntumoren überzeugte das System: IDH-Mutationen erkannte es mit 0,79 Genauigkeit, die Ein-Jahres-Überlebenswahrscheinlichkeit bei Glioblastom sagte es mit 0,72 voraus – robust selbst bei variierenden MRT-Bedingungen.

Übrigens: Während KI bereits aus Hirn-MRTs Krankheiten präziser erkennt, zeigt eine neue Halsmanschette, wie künstliche Intelligenz auch verlorene Sprache nach einem Schlaganfall zurückbringen kann – ganz ohne Eingriff ins Gehirn. Wie Kehlkopf-Signale und Emotionen wieder zu verständlichen Sätzen werden, mehr dazu in unserem Artikel.

Bild: © Freepik