Geschlechtsspezifische Unterschiede in Gehirnscans: KI von Stanford Medicine deckt auf

STANFORD / MÜNCHEN (IT BOLTWISE) – Eine neue Studie der Stanford Medicine zeigt, dass ein Künstliche Intelligenz-Modell mit mehr als 90% Erfolg bestimmen konnte, ob Gehirnscans von einer Frau oder einem Mann stammen.

Eine bahnbrechende Studie der Stanford Medicine hat ein neues KI-Modell vorgestellt, das in der Lage ist, mit einer Genauigkeit von über 90% zu bestimmen, ob die Scans der Gehirnaktivität von einer Frau oder einem Mann stammen. Diese Entdeckung, die am 19. Februar in den Proceedings of the National Academy of Sciences veröffentlicht wird, trägt zur Lösung einer langjährigen Kontroverse bei, ob im menschlichen Gehirn zuverlässige Geschlechtsunterschiede existieren und legt nahe, dass das Verständnis dieser Unterschiede entscheidend sein könnte, um neuropsychiatrische Zustände anzugehen, die Frauen und Männer unterschiedlich betreffen.

Vinod Menon, PhD, Professor für Psychiatrie und Verhaltenswissenschaften sowie Direktor des Stanford Cognitive and Systems Neuroscience Laboratory, betont die Bedeutung dieser Entdeckung: „Ein Hauptmotiv für diese Studie ist, dass das Geschlecht eine entscheidende Rolle in der Entwicklung des menschlichen Gehirns, im Alterungsprozess und in der Manifestation von psychiatrischen und neurologischen Störungen spielt. Die Identifizierung konsistenter und replizierbarer Geschlechtsunterschiede im gesunden erwachsenen Gehirn ist ein kritischer Schritt auf dem Weg zu einem tieferen Verständnis geschlechtsspezifischer Anfälligkeiten bei psychiatrischen und neurologischen Störungen.“

Die Forscher nutzten moderne KI-Technologien und den Zugang zu umfangreichen Datensätzen, um eine leistungsfähigere Analyse durchzuführen als bisher möglich. Sie entwickelten ein tiefes neuronales Netzwerkmodell, das lernte, Gehirn-Imaging-Daten zu klassifizieren. Dieses Modell zeigte eine überlegene Leistung im Vergleich zu früheren Studien, teilweise weil es dynamische MRT-Scans analysierte, die das komplexe Zusammenspiel verschiedener Gehirnregionen erfassen.

Die Erfolge des Modells deuten darauf hin, dass im Gehirn tatsächlich erkennbare Geschlechtsunterschiede existieren, die bisher nicht zuverlässig identifiziert wurden. Die Tatsache, dass es in verschiedenen Datensätzen, einschließlich Gehirnscans von mehreren Standorten in den USA und Europa, so gut funktioniert hat, macht die Ergebnisse besonders überzeugend, da sie viele Störfaktoren kontrollieren, die Studien dieser Art beeinträchtigen können.

Durch den Einsatz von „erklärbarem KI“ konnten Menon und sein Team die Gehirnnetzwerke identifizieren, die für das Urteil des Modells, ob ein Gehirnscan von einem Mann oder einer Frau stammt, am wichtigsten waren. Sie fanden heraus, dass das Modell am häufigsten auf das Default-Mode-Netzwerk, das Striatum und das limbische Netzwerk schaute, um eine Entscheidung zu treffen.

Die Forscher entwickelten geschlechtsspezifische Modelle kognitiver Fähigkeiten, die kognitive Leistungen bei Männern bzw. Frauen effektiv vorhersagen konnten, basierend auf funktionellen Gehirnmerkmalen, die sich zwischen den Geschlechtern unterscheiden. Diese Erkenntnisse deuten darauf hin, dass funktionelle Gehirncharakteristika, die zwischen den Geschlechtern variieren, bedeutende verhaltensbezogene Implikationen haben.

„Diese Modelle funktionierten wirklich gut, weil wir erfolgreich Gehirnmuster zwischen den Geschlechtern getrennt haben“, sagte Menon. „Das sagt mir, dass das Übersehen von Geschlechtsunterschieden in der Gehirnorganisation dazu führen könnte, dass wir wichtige Faktoren übersehen, die neuropsychiatrische Störungen zugrunde liegen.“

Menon und sein Team planen, ihr Modell öffentlich zugänglich zu machen, damit es von Forschern weltweit genutzt werden kann, um zu untersuchen, wie jegliche Aspekte der Gehirnvernetzung mit kognitiven Fähigkeiten oder Verhaltensweisen zusammenhängen könnten. „Unsere KI-Modelle haben eine sehr breite Anwendbarkeit“, sagte Menon. „Ein Forscher könnte unsere Modelle nutzen, um nach Gehirnunterschieden zu suchen, die mit Lernbeeinträchtigungen oder Unterschieden in der sozialen Funktionsfähigkeit verbunden sind – Aspekte, die wir besser verstehen wollen, um Menschen zu helfen, sich anzupassen und diese Herausforderungen zu überwinden.“

Hinweis: Teile dieses Textes könnten mithilfe Künstlicher Intelligenz generiert worden sein.