Forschung

Mental Health Mapping verbindet maschinelles Lernen, Neurowissenschaften, Psychiatrie und Philosophie. Seit seiner Gründung im Jahr 2022 hat das Labor in führenden Fachzeitschriften und auf führenden Konferenzen dieser Disziplinen publiziert (siehe Ausgewählte Publikationen). Unsere Arbeit gliedert sich in vier miteinander verbundene Themen.

Grundlagen des Mental Health Mapping

Was als Störung gilt und was als gesund oder normativ, ist oft unklar. Wir untersuchen die Grundlagen von Gesundheit, Störung und Krankheit und fragen etwa: Was ist gesund? Welche Referenzgruppe ist die richtige, um Krankheit damit zu vergleichen? Kann die systematische Erkundung des Geistes helfen, ihn zu verstehen? Langfristig trägt diese Arbeit zum theoretischen Fundament des Mental Health Mapping bei und bezieht die Perspektive der ersten wie der dritten Person ein. Wir arbeiten mit Patientinnen und Patienten, Klinikerinnen und Klinikern sowie Philosophinnen und Philosophen zusammen, die Einblicke in die klinische Praxis geben und unsere Forschung theoretisch und praktisch prägen.

Strukturen des Mental Health Mapping

Psychische Störungen sind erblich, treten häufig gemeinsam auf und sind heterogen. Manchmal liegt die Struktur, die einer Erkrankung zugrunde liegt, in einer beeinträchtigten Biologie innerhalb einer Person; in anderen Fällen liegt sie in der Dynamik zwischen Menschen, Gruppen oder Teilen der Gesellschaft oder in Belastungen aus der Umwelt. Wir fragen etwa: Was unterscheidet ein Geschwisterkind mit einer Störung von einem gesunden? Welche zwischenmenschlichen Faktoren tragen in Familien zur psychischen Gesundheit bei? Wann ist es sinnvoll, eine Gruppe statt der einzelnen Patientin oder des einzelnen Patienten zu behandeln? Welche Rolle spielt die Gesellschaft, und welche politischen Maßnahmen und Behandlungen verbessern die psychische Gesundheit? Wir arbeiten an groß angelegten Studien, die die nötigen Daten zur Beantwortung dieser Fragen enthalten, und kooperieren mit Menschen mit psychischen Störungen, Klinikerinnen und Klinikern sowie Wissenschaftlerinnen und Wissenschaftlern.

Marker für das Mental Health Mapping

Die Faktoren, die psychischer Gesundheit und Störung zugrunde liegen, sind wenig verstanden: Ein komplexes Geflecht biologischer und nicht-biologischer Variablen wirkt zusammen und erzeugt bei jedem Menschen Symptome. Das ist ein Grund, warum wir wenig über Krankheitsmarker wissen. Mit multimodalen Ansätzen wollen wir die verborgenen Faktoren hinter Erkrankungen aufdecken, geleitet von Fragen wie: Was unterscheidet zwei Menschen mit derselben Diagnose voneinander? Wie lassen sich prädiktive Krankheitsmarker finden? Welche Datenmodalitäten sind für welche Störung oder welchen Krankheitsprozess aussagekräftig? Wir arbeiten mit Menschen zusammen, die mit unterschiedlichen Störungen und Erkrankungen leben, sowie mit den Klinikerinnen, Klinikern und Forschenden, die sie behandeln und erforschen.

Modelle für das Mental Health Mapping

Der Großteil unserer Forschung beruht auf maschinellem Lernen. Wir wenden Methoden für groß angelegte Bildgebungs-, elektrophysiologische, genetische, Sensor-, kognitive und Verhaltensdaten an und entwickeln sie weiter. Unsere Methoden sind für hochdimensionale Daten und oft unzuverlässige Labels ausgelegt. Wir fragen etwa: Wie können wir maschinelles Lernen über Modalitäten hinweg nutzen? Welche Methoden eignen sich am besten, um Heterogenität aufzuschlüsseln? Welche longitudinalen Modellierungsverfahren werden den Eigenschaften der zugrunde liegenden Datenstrukturen gerecht? Wie können wir die Interpretierbarkeit unserer Modelle erhöhen, und wie bringen wir maschinelles Lernen letztlich vom Labor in die klinische Praxis? Wir arbeiten mit Forschenden zusammen, die innovative Methoden der Datenerhebung entwickeln, und interessieren uns sowohl für Methodenentwicklung (z. B. maschinelles Lernen, Statistik) als auch für Best Practices bei der Kuratierung der komplexen, großen Datensätze, die unsere Forschungsagenda erfordert.

Dabei halten wir uns an einen einfachen Maßstab: Für viele Messgrößen des Gehirns schneiden gut spezifizierte Regressionsmodelle ebenso gut ab wie komplexere KI-Methoden, und das berichten wir offen.