Suche

zur Hauptseite

Institut für Neurowissenschaften und Medizin
(leer)

Navigation und Service


Klinische Übersetzung

Ein wichtiges Ziel unserer Forschung ist es, Werkzeuge und Plattformen zur Verfügung zu stellen, die die Genauigkeit von Diagnosewerkzeugen und Ergebnisvorhersagen durch die Anwendung von Machine-Learning-Ansätzen für Bildgebungsdaten und andere klinische Informationen verbessern.

ÜbersetzungDer mediale Frontalpol, der zuvor eine sozial-affektive Verarbeitung gezeigt hatte, zeigt eine selektive strukturelle Affektion bei einer Major Depression, während der laterale Frontalpol, der Teil eines kognitiven Netzwerks ist, unbeeinträchtigt ist (Bludau et al., Am J. Psychiatry 2016)

Die Untersuchung von Gehirn-Verhaltens-Beziehungen bei Patienten mit Hirnkrankheiten trägt durch eine bidirektionale Translation zwischen der Grundlagenforschung und der klinischen Neurowissenschaft entscheidend zu unserem Forschungsprogramm bei.

Einerseits bilden die im INM-7 entwickelten Methoden, Werkzeuge und Modelle zusammen mit den normativen Daten, die aus großen populationsbasierten Kohorten gewonnen werden, den notwendigen Hintergrund für die Charakterisierung der Pathophysiologie des Gehirns auf Systemebene. Nur durch eine systematische Kenntnis der normalen Hirnvariabilität können pathologische Abweichungen genau identifiziert und zur Charakterisierung einzelner Krankheitsprozesse verwendet werden. Um dieses Wissen zum Wohle einzelner Patienten nutzen zu können, sind darüber hinaus fortgeschrittene Ansätze für das statistische Lernen und die Big-Data-Analyse erforderlich. In diesem Zusammenhang ist es ein langfristiges Ziel unserer Forschung, Werkzeuge und Plattformen zur Verfügung zu stellen, die die Genauigkeit von Diagnosewerkzeugen und Ergebnisvorhersagen durch die Kombination von Wissen über die Organisation und Variabilität des menschlichen Gehirns in Plattformen und Plattformen für die Anwendung von maschinellen Lernansätzen Bilddaten und andere klinische Informationen.

Auf der anderen Seite liefern Gehirnstörungen sehr wichtige Beispiele für Netzwerkstörungen und liefern Einblicke in die Beziehung zwischen Gehirnstruktur, Funktion und Konnektivität bei dem Einfluss von pathologischen Prozessen. Darüber hinaus ermöglichen die Bewertung von Patienten, die beispielsweise an einer schweren Depression, Schizophrenie oder Parkinson-Krankheit leiden, unsere Untersuchungen der interindividuellen Variabilität in der sozio-affektiven, kognitiven und motorbezogenen Leistung über den physiologischen Bereich hinaus. Ergänzend zur Bewertung großer Kohorten können klinische Gruppen zusätzliche Informationen über Strukturfunktionen im menschlichen Gehirn liefern, die andere Verlusterweiterungen (Parkinson, Schlaganfall) oder Gain (Schizophrenie) der Funktion widerspiegeln.

Konnektivität für verschiedene KrankheitenGenauigkeit für die individuelle computergestützte Diagnose von Schizophrenie (grün), Parkinson-Krankheit (blau) und Alterung (gelb) basierend auf funktioneller Konnektivität innerhalb von 12 metaanalytisch definierten Gehirnnetzwerken (links). Log-Likelihood-Verhältnisse der Klassifikationsleistung weisen darauf hin, dass Hirnnetzwerke eine klare Differenzierung der Informationsmenge zur Pathophysiologie von Schizophrenie bzw. Parkinson zeigen (rechts).


Servicemenü

Homepage