BrainAge

Wir suchen mithilfe erklärbarer Künstlicher Intelligenz (XAI) nach Anzeichen biologischer Alterungsprozesse im menschlichen Gehirn und setzen diese in Beziehung zu unserer allgemeinen Gesundheit und unserem Lebensstil.

Der Comic zeigt uns, wie wir Künstliche Intelligenz (KI) – genauer gesagt tiefe neuronale Netze – nutzen können, um anhand von medizinischen Bilddaten (wie hier MRT-Bildern) bei der Diagnose biologischer Zustände von Patienten zu helfen. Er veranschaulicht außerdem, wie wir bestimmte algorithmische Techniken, die sogenannte erklärbare KI (XAI), einsetzen können, um die Vorhersagen der KI-Modelle sowohl für ärztliches Personal als auch für Patienten transparenter und nachvollziehbarer zu machen. Im Comic muss ein junger Mensch feststellen, dass sein Gehirn gar nicht mehr so fit oder „jung“ ist, wie er dachte – und dass einige seiner Lebensgewohnheiten für dieses höhere Gehirnalter verantwortlich sein könnten. Über das, was der Comic so wunderbar veranschaulicht, hinaus, ist XAI aber nicht nur für medizinische Anwendungen relevant, sondern spielt auch eine entscheidende Rolle bei wissenschaftlichen Entdeckungen. Wir nutzen diese Methoden nämlich nicht nur für MRT-Bilder des Gehirns, sondern auch zur Analyse von EEG-Daten sowie zur Untersuchung menschlichen Verhaltens und der Wahrnehmung.

Die XAI-Methode, die wir in unserer Forschung einsetzen, erzeugt sogenannte Heatmaps. Diese Maps oder Karten heben die Bereiche im MRT (einem 3D-Bild des Gehirns) hervor, die das KI-Modell genutzt hat, um das Gehirnalter einer Person einzuschätzen. Zuerst haben wir unser Modell zur Bestimmung des Gehirnalters mit den Daten von über 2.000 Studien-Teilnehmenden im Alter zwischen 18 und 82 Jahren trainiert, die alle aus dem Raum Leipzig stammten. Danach haben wir die Genauigkeit des Modells intensiv an Bilddaten getestet, die das Modell während des Trainings noch nie gesehen hatte. Dabei konnten wir zeigen, dass sein Vorhersagefehler sehr gering ist. Nach der Anwendung unseres XAI-Algorithmus haben wir die daraus entstandenen Heatmaps mit früheren Erkenntnissen über Alterungsprozesse im Gehirn verglichen. Dabei fanden wir heraus, dass sich das KI-Modell auf viele biologisch aussagekräftige Anzeichen des Alterns stützt. Ein Beispiel: Wenn wir älter werden, tauchen in unserem Gehirn vermehrt sogenannte Hyperintensitäten der weißen Substanz auf. Dabei handelt es sich um winzige Gewebeveränderungen (Läsionen), die meist in tieferen Strukturen des Gehirns liegen. Ohne gezielt auf solche Veränderungen trainiert worden zu sein, hat unser KI-Modell sie erkannt und für seine Vorhersage des Gehirnalters als wichtig eingestuft. Ähnliche Muster haben wir auch bei vielen anderen altersbedingten Merkmalen im Gehirn gefunden.

Das berechnete Gehirnalter einer Person ist nicht so unveränderlich wie ihr tatsächliches (chronologisches) Alter. Studien zeigen zum Beispiel, dass Schlafmangel das Gehirnalter vorübergehend erhöhen kann. Aber nach einer erholsamen Nacht kann sich der Wert wieder verbessern – also sinken. Daher sollten Schlussfolgerungen aus einem einzelnen Gehirn-Scan stets mit Vorsicht betrachtet werden.

Ganz allgemein wird Künstliche Intelligenz oft als eine Art Zauberstab betrachtet, der all unsere (wissenschaftlichen) Probleme lösen könnte. Diese Modelle bringen jedoch ihre ganz eigenen Schwierigkeiten mit sich. Sie könnten, zum Beispiel, ihre Entscheidungen auf die falschen Aspekte der Daten stützen, die ihnen zur Verfügung gestellt werden. Gleichzeitig sind KI-Modelle sehr komplex, was ihre Interpretation oft schwierig macht. Wir nutzen zwar Techniken der erklärbaren KI (XAI), um dieser Komplexität zu begegnen, doch der Begriff „erklärbar“ weckt oft zu hohe Erwartungen. Die Heatmaps, die wir mit diesen Methoden erstellen, „erklären“ uns nicht per se etwas, sondern bedürfen einer weiteren Analyse. Mit anderen Worten: Um diese XAI-basierten Heatmaps sinnvoll deuten zu können, benötigen Forschende oder ärztliches Personal Fachwissen – in unserem Fall Wissen über das Gehirn. Vor einigen Jahren prognostizierte der Nobelpreisträger Geoffrey Hinton, dass wir aufgrund der Entwicklungen in der KI bald keine Radiolog*innen mehr brauchen würden. Heute zeigt sich das genaue Gegenteil: Tatsächlich herrscht in vielen Ländern ein Mangel an radiologischem Fachpersonal. XAI-gestützte Wissenschaft und Medizin werden künftig eine immer zentralere Rolle spielen. Es handelt sich dabei jedoch nicht um eine Technologie, die den Menschen ersetzen, sondern ihn vielmehr unterstützen soll.

Im Forschungsbereich der XAI muss noch mehr Arbeit geleistet werden, um die innere Funktionsweise von KI-Modellen – also von tiefen künstlichen neuronalen Netzen – noch transparenter zu machen. Wie bereits erwähnt, erklären sich Heatmaps nicht von selbst, sondern erfordern weitere Untersuchungen. Mit neuen Techniken wollen wir Fachwissen direkt in diese ‚Erklärungen‘ integrieren. Genauer gesagt sollen Erkenntnisse aus früheren Experimenten die Erklärungen künftig automatisch anreichern. Gleichzeitig müssen Unsicherheiten, sowohl bei den Vorhersagen der Modelle als auch bei deren Erklärung, sorgfältiger aufgezeigt werden. Letztendlich können nämlich gerade diese Unsicherheiten für Forschende sehr aufschlussreich sein. Wenn beispielsweise eine zukünftige XAI-Technik nicht in der Lage ist, bestimmte Aspekte eines hervorgehobenen Gehirnbereichs mit bisherigem Wissen in Verbindung zu bringen, möchten wir, dass die Methode uns das signalisiert – getreu dem Motto: ‚Weisheit ist, zu wissen, was man nicht weiß.‘ Das wiederum würde Forschenden den Weg zu spannenden neuen wissenschaftlichen Entdeckungen weisen.

Im Forschungsbereich der XAI muss noch mehr Arbeit geleistet werden, um die innere Funktionsweise von KI-Modellen – also von tiefen künstlichen neuronalen Netzen – noch transparenter zu machen. Wie bereits erwähnt, erklären sich Heatmaps nicht von selbst, sondern erfordern weitere Untersuchungen. Mit neuen Techniken wollen wir Fachwissen direkt in diese ‚Erklärungen‘ integrieren. Genauer gesagt sollen Erkenntnisse aus früheren Experimenten die Erklärungen künftig automatisch anreichern. Gleichzeitig müssen Unsicherheiten, sowohl bei den Vorhersagen der Modelle als auch bei deren Erklärung, sorgfältiger aufgezeigt werden. Letztendlich können nämlich gerade diese Unsicherheiten für Forschende sehr aufschlussreich sein. Wenn beispielsweise eine zukünftige XAI-Technik nicht in der Lage ist, bestimmte Aspekte eines hervorgehobenen Gehirnbereichs mit bisherigem Wissen in Verbindung zu bringen, möchten wir, dass die Methode uns das signalisiert – getreu dem Motto: ‚Weisheit ist, zu wissen, was man nicht weiß.‘ Das wiederum würde Forschenden den Weg zu spannenden neuen wissenschaftlichen Entdeckungen weisen.

Diese Forschung eröffnet Möglichkeiten für eine frühere und personalisiertere (Gehirn-)Gesundheitsversorgung, wirft aber auch wichtige Fragen darüber auf, wie die Gesellschaft mit dem sensiblen Thema der KI-gestützten Diagnostik umgeht.

Erklärbare KI (XAI) kann diese komplexen Modelle für ärztliches Personal sowie Patientinnen und Patienten transparenter machen. Das kann das Vertrauen stärken, die gemeinsame Entscheidungsfindung verbessern und den Menschen helfen, besser zu verstehen, wie Schlaf, Bewegung und andere Gewohnheiten mit ihrer Gehirngesundheit zusammenhängen.

Aus ethischer Sicht besteht jedoch das Risiko von Verzerrungen (sogenannten Bias) und ungerechter Behandlung: Wenn Modelle hauptsächlich mit den Daten bestimmter Gruppen trainiert werden (unser Modell wurde beispielsweise nur mit den Daten der Leipziger Bevölkerung trainiert), sind sie für andere Personen möglicherweise weniger genau. Dies könnte bestehende gesundheitliche Ungleichheiten verstärken oder zu irreführenden Risikobewertungen führen.

Eine weitere Frage betrifft die psychologischen Auswirkungen: Zu erfahren, dass das eigene Gehirn „älter“ wirkt als man tatsächlich ist, könnte zwar zu positiven Veränderungen des Lebensstils motivieren. Es könnte jedoch auch Ängste, Stigmatisierung oder eine fatalistische Denkweise auslösen, wenn die Ergebnisse ohne angemessene Erklärung und den richtigen Kontext präsentiert werden.

Da KI-Systeme immer tiefer in das Gesundheitswesen integriert werden, muss die Gesellschaft letztendlich entscheiden, wie viel Verantwortung wir an Algorithmen statt an menschliches Fachpersonal abgeben. Wir müssen klären, wie wir diese Werkzeuge regulieren und wie wir sicherstellen, dass XAI genutzt wird, um das menschliche Urteilsvermögen und das Gespräch mit den Erkrankten zu unterstützen – und nicht, um es zu ersetzen.

In unserer Forschung nutzen wir sogenannte tiefe neuronale Netze – eine Art von Computermodellen aus dem weiten Feld des maschinellen Lernens. Diese künstlichen Netze wurden ursprünglich davon inspiriert, wie Neurone im echten Gehirn feuern und Signale weiterleiten. Natürlich gibt es zwischen den künstlichen Systemen auf unseren Computern und dem biologischen Gehirn mehr Unterschiede als Gemeinsamkeiten. Dennoch ist es uns als Wissenschafts-Community offenbar gelungen, hilfreiche Grundprinzipien aus dem Gehirn abzuleiten, die sich in beeindruckende Computeranwendungen übertragen lassen.

Heutzutage stecken im Grunde in jeder Anwendung, die „KI“ nutzt, solche tiefen neuronalen Netze. In unserer Studie haben wir diese künstlichen neuronalen Netze mit MRT-Daten trainiert, um das Alter von Personen vorherzusagen.

In einem zweiten Schritt haben wir den sogenannten Layer-wise Relevance Propagation-Algorithmus (kurz LRP) angewendet. LRP gehört zur Methodenfamilie der erklärbaren KI (XAI) und ermöglicht es uns, die Vorhersagen tiefer neuronaler Netze zu analysieren. Wenn unsere KI-Modelle also das Gehirnalter einer Person anhand ihres MRTs schätzen, liefert uns der LRP-Algorithmus eine Heatmap. Diese hebt genau die Bereiche im Gehirn hervor, die für diese Schätzung ausschlaggebend waren. Deshalb werden diese Heatmaps oft auch als Relevanzkarten bezeichnet.

• Wissenschaftliche Veröffentlichungen:

  • Hofmann, S. M., Beyer, F., Lapuschkin, S., Goltermann, O., Loeffler, M., Müller, K.-R., Villringer, A., Samek, W., & Witte, A. V. (2022). Towards the Interpretability of Deep Learning Models for Multi-modal Neuroimaging: Finding Structural Changes of the Ageing Brain. NeuroImage, 261, 119504. https://doi.org/10.1016/j.neuroimage.2022.119504

  • Hofmann, S. M., Goltermann, O., Scherf, N., Müller, K.-R., Löffler, M., Villringer, A., Gaebler, M., Witte, A. V., & Beyer, F. (2025). The utility of explainable AI for MRI analysis: Relating model predictions to neuroimaging features of the aging brain. Imaging Neuroscience, 3, imag_a_00497. https://doi.org/10.1162/imag_a_00497

• Für „nicht-Leser“ gibt es ein Podcast Interview mit mir, über die Nutzung von KI in der Medizin und den Neurowissenschaften (in dem es auch um das Thema des Gehirnalters geht): https://detektor.fm/wissen/ach-mensch-simon-hofmann

• Hofmann, S. M., Beyer, F., Lapuschkin, S., Goltermann, O., Loeffler, M., Müller, K.-R., Villringer, A., Samek, W., & Witte, A. V. (2022). Towards the Interpretability of Deep Learning Models for Multi-modal Neuroimaging: Finding Structural Changes of the Ageing Brain. NeuroImage, 261, 119504. https://doi.org/10.1016/j.neuroimage.2022.119504

• Hofmann, S. M., Goltermann, O., Scherf, N., Müller, K.-R., Löffler, M., Villringer, A., Gaebler, M., Witte, A. V., & Beyer, F. (2025). The utility of explainable AI for MRI analysis: Relating model predictions to neuroimaging features of the aging brain. Imaging Neuroscience, 3, imag_a_00497. https://doi.org/10.1162/imag_a_00497