Ausgewählte Publikationen

A normative reference for large-scale human brain dynamics across the lifespan

Nature Neuroscience (angenommen) · Preprint

Wir etablieren einen populationsbasierten normativen Referenzrahmen für die intrinsische Dynamik des menschlichen Gehirns, basierend auf Ruhe-fMRT-Daten von mehr als 10.000 Personen über die gesamte Lebensspanne und aus 91 Bildgebungsstandorten. Indem wir eine kompakte Menge wiederkehrender Hirnzustände identifizieren, die großräumige Rekonfigurationen von Netzwerken abbilden, verankern wir die Hirndynamik in normativen Lebensspannenmodellen. Dieser Rahmen zeigt systematische Veränderungen in Entwicklung und Alterung und deckt heterogene Veränderungen bei psychischen Erkrankungen auf. Damit erweitert er das normative Brain Mapping von statischen Hirnmerkmalen auf die zeitliche Dimension und ermöglicht eine individuelle Beurteilung der Hirndynamik.

Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis

npj Digital Medicine (angenommen) · Preprint

Wir haben einen großen, multizentrischen Benchmark für unüberwachte Anomalieerkennung mit Deep Learning in der Bildgebung des Gehirns erstellt. Er basiert auf State-of-the-Art-Methoden aus Hirnforschung und Industrie und nutzt rund 460.000 Schichtbilder gesunder Gehirne für das Training. Unsere systematische Auswertung über Scanner, Läsionstypen und demografische Gruppen hinweg zeigt eine erhebliche Variabilität der Leistung und macht neben systematischen Verzerrungen zentrale methodische Grenzen deutlich, die künftige Algorithmen überwinden müssen.

SIGMA-VAE: Sketched Isotropic Gaussian Multi-view Autoencoder for Normative Modeling

MICCAI (Main Track) · Artikel

Wir stellen SIGMA-VAE vor, einen Multi-View-Autoencoder für die normative Modellierung, der dem latenten Raum eine gut handhabbare Geometrie verleiht, dünnbesetzte und interpretierbare Repräsentationen lernt und Abweichungen nach ihrer Unsicherheit gewichtet. Trainiert auf mehr als 40.000 Hirnscans von 328 Scannern, erkennt das Modell individuelle Anomalien empfindlicher, generalisiert auf unbekannte Scanner und unterscheidet die Alzheimer-Krankheit mit einer AUC von 0,91 auf zurückgehaltenen und 0,87 auf externen Daten.

MedSAMix: A Training-Free Model Merging Approach for Medical Image Segmentation

AAAI (Main Track) · Artikel

Universelle Segmentierungsmodelle für die Medizin versprechen breiten Nutzen, haben aber mit knappen, heterogenen Daten zu kämpfen. Wir stellen MedSAMix vor, eine trainingsfreie Methode, die generalistische (SAM) und spezialisierte (MedSAM) Modelle automatisch zusammenführt, um die bestmögliche Leistung zu erzielen. Über 25 Aufgaben hinweg verringert MedSAMix Verzerrungen und verbessert sowohl die Generalisierung als auch die domänenspezifische Genauigkeit um bis zu 6,7 %.

From early to contemporary normative modeling: Mapping individual differences in neurophysiological signals

Imaging Neuroscience · Artikel

Die normative Modellierung hat sich als wegweisender Ansatz etabliert, um individuelle Abweichungen von typischer Hirnfunktion zu erkennen. Dieses Review zeichnet ihre heutige Renaissance in der Elektrophysiologie des Gehirns nach, angetrieben durch maschinelles Lernen und große Datensätze, während sich das Feld von kleinen, altersbasierten Modellen hin zu harmonisierten und komplexeren Ansätzen bewegt. Wir argumentieren, dass der nächste Schritt von internationaler Zusammenarbeit, standardisierten Pipelines und neuen Merkmalen abhängt, damit das Feld vom Proof of Concept zu präzisem, individuellem Brain Mapping und schließlich zu klinischen Anwendungen gelangt.

Hierarchical Characterization of Brain Dynamics via State Space-based Vector Quantization

MICCAI (Main Track) · Artikel

Wir stellen ein Hierarchical State-space Tokenization Network (HST) vor, das Hirnaktivität in stabile "Tokens" zerlegt, gleichsam Bausteine, und verfolgt, wie das Gehirn zwischen ihnen wechselt. In zwei unabhängigen Datensätzen erfasst unsere Methode diese Dynamik deutlicher als bestehende Ansätze und ist vielversprechend für das Verständnis dynamischer Hirnfunktionen in Gesundheit und Krankheit.

A 10-year longitudinal study of brain cortical thickness in people with first-episode psychosis using normative models

Schizophrenia Bulletin · Artikel

Wir zeigen, dass sich mit Schizophrenie assoziierte Hirnauffälligkeiten in manchen Fällen im Zeitverlauf normalisieren. Zudem unterstreichen wir, wie wichtig es ist, standortspezifische Variabilität zu modellieren, um verlässliche Schlüsse zu ziehen. Das ist besonders relevant für longitudinale Bildgebungsstudien, in denen sich Messprotokolle und Geräte im Laufe der Zeit ändern und erhebliche Störfaktoren einbringen können, wenn sie nicht angemessen berücksichtigt werden.

Characterising personalized neuropathology in dementia and mild cognitive impairment with explainable artificial intelligence

npj Digital Medicine · Artikel

Wir haben ein tiefes neuronales Netz trainiert, um Demenzen vorherzusagen. Mit erklärbarem maschinellem Lernen schlüsseln wir individuelle Unterschiede auf und sagen (im Zeitverlauf) vorher, ob eine bestimmte Person eine Demenz entwickelt. Das gelingt bis zu sieben Jahre im Voraus mit guter Zuverlässigkeit.

Computational psychiatry and the evolving concept of a mental disorder

Synthese · Artikel

Wir untersuchen das Streben nach einem kohärenten Rahmen für Forschung und Behandlung in der Psychiatrie, das aus wachsender Unzufriedenheit mit traditionellen Konzepten psychischer Störungen erwächst. Dabei betrachten wir verschiedene computationale Paradigmen, darunter normative Modellierung, Netzwerktheorie und lerntheoretische Ansätze. Jedes dieser Paradigmen bietet eigene Methoden und Visionen für eine Neukonzeption psychischer Störungen. Wir diskutieren ihre Gemeinsamkeiten, Unterschiede und möglichen konzeptuellen Konflikte.

Mapping Cerebellar Anatomical Heterogeneity in Mental and Neurological Illnesses

Nature Mental Health · Artikel

Wir haben normative Modelle an mehr als 50.000 Personen trainiert und die Entwicklung des Kleinhirns über die Lebensspanne kartiert. Damit schlüsseln wir individuelle Unterschiede bei Patientinnen und Patienten mit psychischen und neurologischen Erkrankungen auf.

Regional, circuit and network heterogeneity of brain abnormalities in psychiatric disorders

Nature Neuroscience · Artikel

Wir haben normative Modelle entwickelt und auf verschiedene psychische Störungen angewendet. Unsere Studie charakterisiert die resultierenden Abweichungen detailliert auf Voxel-, Regions- und Netzwerkebene des menschlichen Gehirns. Bemerkenswert ist, dass sich die Abweichungen zwischen Personen auf Netzwerkebene stärker überschneiden.

Deep neural networks learn general and clinically relevant representations of the ageing brain

NeuroImage · Artikel

Wir haben ein tiefes neuronales Netz an mehr als 50.000 Personen trainiert, um das alternde Gehirn vorherzusagen, und dieses Modell auf klinische Vorhersagen übertragen. Wir zeigen, dass Skalierung auch beim bildgebungsbasierten Deep Learning zählt. Eine andere Arbeitsgruppe hat unser Modell in einem Benchmark als State-of-the-Art-Modell für das Hirnalter bestätigt. Es ist robuster gegenüber Domänenverschiebungen, zeigt aber den bereits bekannten Zielkonflikt zwischen der Genauigkeit des Hirnalters und der Erkennung von Erkrankungen.

Charting brain growth and aging at high spatial precision

eLife · Artikel

Wir haben normative Modelle des menschlichen Gehirns mit hoher räumlicher Präzision für eine Stichprobe von mehr als 50.000 Personen erstellt. Dieser normative Modellierungsansatz auf Basis von Bildgebungsdaten im Populationsmaßstab lässt sich auf neue Stichproben übertragen und steht anderen Forschenden frei online zur Verfügung.

The normative modeling framework for computational psychiatry

Nature Protocols · Artikel

Wir beschreiben den Rahmen der normativen Modellierung für die computationale Psychiatrie, erläutern umfassend seine Prinzipien und seine Bedeutung für das Fach und stellen zugängliche Werkzeuge zur Analyse von Daten in diesem Rahmen bereit.

Replicating extensive brain structural heterogeneity in individuals with schizophrenia and bipolar disorder

Human Brain Mapping · Artikel

Wir haben unseren früheren Befund repliziert, dass Patientinnen und Patienten mit Schizophrenie und bipolarer Störung ein individuelles Profil normativer Hirnabweichungen zeigen. Dies wurde von verschiedenen Gruppen bestätigt und gilt auch für weitere psychische und neurologische Erkrankungen.

Inter-individual differences in human brain structure and morphometry link to population variation in demographics and behavior

eLife · Artikel

Wir konnten zeigen, dass die Hirnstruktur einen großen Teil der funktionellen Interaktionen zwischen verschiedenen Regionen im gesunden menschlichen Gehirn erklärt.

Individual differences v. the average patient: mapping the heterogeneity in ADHD using normative models

Psychological Medicine · Artikel

Wir haben die Heterogenität der ADHS auf der Ebene einzelner Patientinnen und Patienten kartiert und gezeigt, dass jede Person ein eigenes Profil von Abweichungen vom normativen Gehirn aufweist. Damit erweitern wir unseren Befund zur Schizophrenie.

Mapping the heterogeneous phenotype of schizophrenia and bipolar disorder using normative models

JAMA Psychiatry · Artikel

Wir haben die Heterogenität von Schizophrenie und bipolarer Störung kartiert und ein individuelles Profil von Abweichungen vom normativen Gehirn auf struktureller Ebene gezeigt. Diese Ergebnisse waren sehr überraschend und wurden in den Medien unter der Frage "Wer ist der durchschnittliche Patient in der Psychiatrie?" aufgegriffen. Sie wurden seither vielfach von uns und anderen Gruppen mit unterschiedlichen Datenmodalitäten, Algorithmen und Stichproben repliziert.

From estimating activation locality to predicting disorder: a review of pattern recognition for neuroimaging-based psychiatric diagnostics

Neuroscience & Biobehavioral Reviews · Artikel

In dieser Arbeit haben wir gezeigt, dass die Genauigkeit von Mustererkennungsverfahren zur Vorhersage psychischer Störungen mit zunehmender Stichprobengröße abnahm. Das ist kontraintuitiv und widerspricht Befunden aus anderen Feldern, in denen Mustererkennung etwa zur Klassifikation von Bildern wie Katzen und Hunden eingesetzt wird. In der Regel schneiden überwachte Lernverfahren mit mehr Trainingsdaten besser ab, daher war dieser Befund sehr überraschend. Wir konnten ihn teilweise auf die hohe Heterogenität psychischer Störungen und auf einen Publikationsbias zugunsten leistungsstärkerer, aber nicht repräsentativer Modelle zurückführen. Die Arbeit trug zu einer Debatte über Fehler bei der Kreuzvalidierung bei und liefert wichtige Belege für die Entwicklung von Methoden, die die Heterogenität psychischer Störungen abbilden.