In einer kürzlich in der Zeitschrift Nature Medicine veröffentlichten Studie analysierten Forscher mithilfe von Deep Learning den Einfluss geografischer, soziodemografischer, sozioökonomischer, neurodegenerativer und geschlechtsspezifischer Vielfalt auf die Gehirnalterungslücken in 15 Ländern. Sie fanden heraus, dass strukturelle sozioökonomische Ungleichheit, Umweltverschmutzung und Gesundheitsunterschiede Schlüsselfaktoren für erhöhte Gehirnalterungslücken sind, insbesondere in den Regionen Lateinamerikas und der Karibik (LAC), mit größeren Lücken bei Frauen und Personen mit kognitiven Beeinträchtigungen wie Alzheimer-Krankheit (AD).
Im Hintergrund erlebt das Gehirn dynamische Veränderungen mit dem Alter, die besonders im Zusammenhang mit Disparitäten und Gehirnerkrankungen wie AD wichtig sind. Gehirnalterungsmodelle, die die Gehirngesundheit über verschiedene Faktoren messen, haben das Potenzial, die Vielfalt des Alterns zu erfassen, wurden jedoch bei unterrepräsentierten Bevölkerungsgruppen wie denen in LAC unterexploriert. Diese Bevölkerungsgruppen sind erheblichen sozioökonomischen und gesundheitlichen Ungleichheiten ausgesetzt, die sich auf die Gehirnalterung auswirken können. Forschungen zur Gehirnalterung haben sich hauptsächlich auf Populationen aus dem Globalen Norden konzentriert und verwenden oft strukturelle Magnetresonanztomographie (MRT), und vernachlässigen Gehirnnetzwerkdynamiken, die durch funktionelle MRT (fMRT) und Elektroenzephalogramme (EEG) erfasst werden. Der Einsatz von EEG ist in ressourcenbegrenzten Umgebungen begrenzt, aber die Anwendung in großangelegten Studien wird durch Herausforderungen bei Standardisierung und Integration mit fMRT eingeschränkt. Es besteht Bedarf an skalierbaren Gehirnalterungsmarkern unter Verwendung von Deep Learning, die diese Techniken integrieren und die demografische Vielfalt berücksichtigen, insbesondere bei unterrepräsentierten Populationen. Daher verwendeten Forscher in der vorliegenden Studie Graph Convolutional Networks, um Gehirnalterungslücken vorherzusagen und die Auswirkungen von Vielfalt, einschließlich geografischer, soziodemografischer und Gesundheitsfaktoren, auf die Gehirnalterung zu untersuchen.
Die Studie analysierte Ruhezustands-fMRT- und EEG-Datensätze von 5.306 Teilnehmern in 15 Ländern der LAC- und Nicht-LAC-Regionen. Die fMRT-Daten stammten von 2.953 Teilnehmern in Argentinien, Chile, Kolumbien, Mexiko und Peru sowie den USA, China und Japan, während die EEG-Daten von 2.353 Teilnehmern in Argentinien, Brasilien, Chile, Kolumbien, Kuba, Griechenland, Irland, Italien, der Türkei und dem Vereinigten Königreich gesammelt wurden. Die Teilnehmer umfassten 3.509 gesunde Kontrollpersonen und 1.808 mit neurokognitiven Störungen, nämlich leichter kognitiver Beeinträchtigung (MCI), AD oder frontotemporaler Demenz mit Verhaltensauffälligkeiten (bvFTD). Die Daten unterzogen sich einer rigorosen Vorverarbeitung, einschließlich Normalisierung, Rauschunterdrückung und Schätzung des Quellraumes. Wechselwirkungen in höherer Ordnung zwischen Hirnregionen wurden bewertet, wobei die Daten für die Analyse über Graph Convolutional Networks (GCN) in Graphen umgewandelt wurden. Ein Ansatz mit 80% Kreuzvalidierung und 20% Hold-Out-Test wurde verwendet. Datenvervielfältigungstechniken wurden angewendet, und die Vorhersageleistung des Modells wurde anhand von Anpassungsgüte (R²) und der mittleren quadratischen Wurzel (r.m.s.e.) bewertet. Gradient-Boosting-Modelle wurden verwendet, um den Einfluss von Exposomfaktoren auf die Gehirnalterungslücken zu untersuchen. Umfangreiche statistische Analysen wurden durchgeführt, um die Ergebnisse zu validieren, darunter Permutationstests und Bootstrap-Methoden. Die Datenqualität wurde sorgfältig überprüft und die Studie unterlag strengen ethischen Richtlinien.
Die Gehirnalterungsmodelle zeigten eine angemessene Vorhersageleistung. Die wichtigsten vorhersagenden Gehirnregionalmerkmale konzentrierten sich auf frontoposteriore Netzwerke, einschließlich Knoten im präzentralen Gyrus, im mittleren okzipitalen Gyrus sowie im oberen und mittleren Frontalgurus. Weitere wichtige Knotenpunkte für das fMRT-Modell waren die unteren Frontalgurus, der vordere und mediale Gyrus cinguli sowie der para-zinguläre Gyrus. Für das EEG-Modell waren der untere okzipitale Gyrus sowie der obere und untere parietale Gyrus ebenfalls signifikant.
Interessanterweise zeigten die Modelle bei der Analyse von Datensätzen aus Nicht-LAC-Regionen ähnliche Muster bei den vorhersagenden Merkmalen, jedoch mit einer leicht reduzierten Anpassung. Im Gegensatz dazu zeigten Modelle, die auf Datensätzen aus LAC-Regionen trainiert wurden, eine moderate Anpassung und erhöhte r.m.s.e.-Werte, die Voreingenommenheiten bei der Vorhersage älterer Gehirnalter betonten, insbesondere für weibliche Teilnehmer. Darüber hinaus ergab die Untersuchung von länderübergreifenden Effekten, dass das Training mit Nicht-LAC-Daten und das Testen mit LAC zu positiven mittleren gerichteten Fehlern (MDE) führte, was auf eine Voreingenommenheit hin zu älteren Gehirnaltern hinweist. Darüber hinaus wurden Gehirnalterungslücken in klinischen Populationen erweitert, was auf beschleunigte Alterung in Zuständen wie MCI und AD im Vergleich zu gesunden Kontrollen hindeutet.
Diese Ergebnisse heben die Komplexitäten der Gehirnalterung in verschiedenen Bevölkerungsgruppen hervor und unterstreichen die Bedeutung der Berücksichtigung von Vielfaltsfaktoren bei neurokognitiven Bewertungen. Die Studie wird durch die Verwendung verschiedener Datensätze aus mehreren Ländern, die Integration von fMRT- und EEG-Daten sowie die Entwicklung skalierbarer, personalisierter Gehirngesundheitsmetriken gestärkt, die auf vielfältige und unterrepräsentierte Bevölkerungsgruppen anwendbar sind. Die Studie wird jedoch durch das Fehlen von klinischen EEG-Daten aus Nicht-LAC-Regionen, die Abhängigkeit von unimodaler Gehirnalterungslückenmessung, begrenzte regionale Daten und das Fehlen individueller demografischer Faktoren wie Geschlechtsidentität, sozioökonomischem Status und Ethnizität eingeschränkt.
Zusammenfassend zeigt die Studie, dass Gehirnmodelle empfindlich auf vielfältige Faktoren wie Geografie, Geschlecht, makrosoziale Einflüsse und Krankheiten reagieren, trotz Datenvariabilität. Indem sie Deep Learning auf hochrangige Hirninteraktionen über fMRT und EEG einsetzt, ebnet die Forschung den Weg für inklusive, zugängliche Instrumente zur Bewertung von Disparitäten bei der Gehirnalterung. Dies könnte potenziell dazu beitragen, die Identifizierung und Einstufung von neurokognitiven Störungen wie MCI, AD und bvFTD zu unterstützen und persönliche Medizinansätze weltweit zu fördern.