Normaldruckhydrozephalus: KI erkennt behandelbare Demenzform mit 92 Prozent Sensitivität

Die präzise Erkennung neurodegenerativer Erkrankungen und abgrenzbarer Hirnveränderungen steht im Mittelpunkt aktueller medizintechnischer Entwicklungen. Wie Berichte aus dem Oktober 2026 zeigen, rücken Algorithmen der künstlichen Intelligenz zunehmend in die klinische Bildgebung vor.

Ein zentraler Schwerpunkt liegt dabei auf der exakten Lokalisierung anatomischer Strukturen in Standardaufnahmen sowie auf multimodalen Modellen, die bildgebende Verfahren mit klinischen Daten verknüpfen.

Präzise anatomische Landmarken im Routine-CT

Ein gemeinsames Projekt der University of Minnesota und des Minneapolis VA Medical Center demonstriert das Potenzial automatisierter Verfahren in der Computertomographie (CT). Ein dort entwickeltes Modell lokalisiert die vordere und hintere Kommissur (AC-PC), anatomische Strukturen mit einer Ausdehnung von jeweils 2 bis 3 Millimetern, in Routine-CT-Aufnahmen.

Laut einem Bericht vom 17. Oktober 2026 erzielte das System in einer internen 5-fachen Kreuzvalidierung mit 427 Scans von 340 Patienten einen mittleren radialen Fehler von 1,64 Millimetern für die vordere und 1,49 Millimetern für die hintere Kommissur.

In externen Validierungen bestätigte sich die Robustheit: Anhand von 40 VA-Scans lagen die Abweichungen bei 2,42 Millimetern (AC) und 1,79 Millimetern (PC), während bei 43 Scans der University of California, Santa Barbara (UCSB) Fehler von 2,31 Millimetern beziehungsweise 1,93 Millimetern verzeichnet wurden.

Während die Medizintechnik bei der Diagnose von Hirnveränderungen enorme Fortschritte macht, fragen sich viele Betroffene, ob ihre eigene Vergesslichkeit bereits ein Warnsignal darstellt. Dieser anonyme 7-Fragen-Selbsttest bietet Ihnen in nur zwei Minuten eine erste, fundierte Einschätzung zu möglichen Anzeichen. Jetzt kostenlosen Demenz-Selbsttest starten

Mehr als 83 Prozent der Messungen blieben innerhalb einer Spanne von 3,2 Millimetern. Das Verfahren übertrifft bisherige Vergleichsmodelle deutlich: Ein standardmäßiges 3D-UNet wies Fehler von 9,46 und 9,95 Millimetern auf, während das fatbACPC-Modell bei axialen Reformattierungen 3,93 und 5,09 Millimeter erreichte.

Die exakte Bestimmung dieser Landmarken ist von hoher diagnostischer Relevanz. Laut der zugrundeliegenden Studie wird der Normaldruckhydrozephalus in geschätzt 80 Prozent der Fälle fälschlicherweise als irreversible Demenz diagnostiziert.

Eine darauf ausgerichtete Klassifikation an 238 Scans erreichte eine Fläche unter der ROC-Kurve (AUC) von 0,95, eine Gesamtgenauigkeit von 89 Prozent sowie eine Sensitivität von 92 Prozent bei einer Spezifität von 87 Prozent. Bei paralleler Verarbeitung dauerte die Inferenz unter 42 Sekunden pro Scan.

Multimodale Vision-Language-Modelle und Datenintegration

Über rein bildbasierte Landmarken hinaus untersuchen Forschungseinrichtungen umfassendere Analyseansätze. Das Mark and Mary Stevens Institute der University of Southern California (USC) entwickelte mit MEMOIR-VLM ein Vision-Language-Modell, das an 2.363 Datensätzen der Alzheimer’s Disease Neuroimaging Initiative (ADNI) trainiert wurde.

Das Modell verbindet strukturelle T1-MRT-Bilder und DTI-FA-Aufnahmen mit klinischen Scores wie MMSE, ADAS-11/13, MoCA sowie dem APOE-Genotyp. Ein integrierter Missing-Modality-Mechanismus gleicht fehlende Werte aus, die zu 10 Prozent bei T1w-, zu 30 Prozent bei DTI-FA- und zu 5 Prozent bei klinischen Daten vorlagen.

Wer sich mit dem Erhalt der geistigen Leistungsfähigkeit befasst, kann bereits im Alltag aktiv werden, um Demenz gezielt vorzubeugen. Dieser kostenlose Ratgeber liefert 11 praktische Gehirn-Jogging-Übungen und Experten-Tipps, um Konzentration und Gedächtnis nachhaltig zu stärken. Kostenlosen Ratgeber für geistige Fitness herunterladen

In Testläufen erreichte MEMOIR-VLM eine balancierte Genauigkeit von 91,3 Prozent bei der Unterscheidung kognitiv unbeeinträchtigter Personen von Demenzerkrankten.

Bei einer dreistufigen Klassifikation lag die Genauigkeit bei 68,2 Prozent mit einem Macro-F1-Wert von 0,681. Der mittlere absolute Fehler bei der Altersbestimmung betrug 5,96 Jahre; die Trefferquote lag bei 86 Prozent für Demenz und 55 Prozent für leichte kognitive Beeinträchtigungen (MCI).

Methodisch zeigte sich jedoch eine Hürde: Eine visuelle Fragebeantwortung (VQA) mit Diagnosefeld in den Bildbeschreibungen wies zunächst scheinbare 94,7 Prozent Genauigkeit auf, was sich als Artefakt durch Datenübertragung entpuppte.

Ohne dieses Diagnosefeld schnitt kein großes Sprachmodell besser ab als ein einfacher k-NN-Mehrheitswert von 0,673. Im Zero-Shot-Einsatz auf dem OASIS-3-Datensatz mit 1.048 Probanden ohne DTI erreichte das Modell 78,7 Prozent balancierte Genauigkeit und einen AUC-Wert von 0,889. Die Verarbeitungszeit betrug 4 bis 6 Sekunden pro Patient auf Standard-Grafikprozessoren mit rund 8 Gigabyte Arbeitsspeicher.

Grenzen der Generalisierung bei neuronalen Netzen

Neue Architekturansätze werfen zugleich Fragen zur Übertragbarkeit auf. Eine in Frontiers in Artificial Intelligence dokumentierte Studie untersuchte die Modellarchitektur ConvNeXt-KAN, die ein ConvNeXt-Tiny-Netzwerk mit einem FastKAN-Kopf auf Basis von Kolmogorov-Arnold-Netzwerken kombiniert.

Auf einem balancierten OASIS-Testset erzielte die Architektur eine Genauigkeit von 94,5 Prozent, einen Macro-F1-Score von 0,944 und eine mittlere One-vs-Rest-ROC-AUC von 0,991 für vier Alzheimer-Stadien.

Trotz einer nahezu perfekten Erkennung moderater Demenz und einem F1-Wert von 0,97 bei milder Demenz war der KAN-Kopf statistisch nicht signifikant besser als ein klassisches mehrschichtiges Perzeptron (McNemar-Test p=0,52), benötigte jedoch 2,84 Prozent mehr Parameter.

In externen Tests ohne Feinabstimmung auf Kaggle-Daten sank die Genauigkeit drastisch auf 61,6 Prozent, wobei der Recall für milde Demenz von 98,63 Prozent auf 10,96 Prozent einbrach.

Einen komplementären Ansatz auf zellulärer Ebene verfolgt die University of Wisconsin unter Leitung von Daifeng Wang. Mit den Graph-Tools PASCode und iBrainMap analysierten Forschende Hirngewebe von fast 1.500 Gewebespendern.

PASCode weist einzelnen Zellen spezifische Symptomwerte zu, während iBrainMap molekulare Pfade für Symptome wie Schlaflosigkeit, Gewichtsverlust oder Depression modelliert. Durch diese personalisierten Profile verbesserte sich die Klassifikation gesunder Profile gegenüber Alzheimer-Fällen um 21 Prozent.