KI SpotlightNewsSKKU-Team präsentiert 4DfCF-Modell für 4D-fMRT-Analyse
Neue Vision-Transformer-Architektur kombiniert räumliche und zeitliche Muster mit erklärbarer KI
Mit KI erstellt◆ Fakten auf einen Blick
- Entwickelt wurde 4DfCF von einem Forschungsteam am InfoLab der Sungkyunkwan University (SKKU) unter Leitung von Prof. Tamer Abuhmed.
- 4DfCF ist eine Vision-Transformer-Architektur zur Analyse von 4D-fMRT-Daten.
- Die Architektur ist hierarchisch in vier Stufen mit 4D Cross-Scale Embedding Layer, 4D CrossFormer Blocks und einem Klassifikationskopf aufgebaut.
- Das Modell analysiert räumliche und zeitliche Muster gemeinsam und lernt lokale sowie entfernte Beziehungen zwischen Hirnregionen.
- Es wurden Explainable-AI-Techniken angewendet; Visualisierungen zeigen, welche Hirnregionen zur Vorhersage beitragen.
- Die Evaluierung erfolgte auf den Benchmark-Datensätzen ADHD-200, ADNI und ABIDE.
SKKU-Team präsentiert 4DfCF-Modell
Ein Forschungsteam am InfoLab der Sungkyunkwan University unter Leitung von Prof. Tamer Abuhmed hat die Vision-Transformer-Architektur 4DfCF für 4D-fMRT-Daten entwickelt. Die 4D Cross-Scale Embedding Layers führen räumliche und zeitliche Informationen zusammen, indem sie die fMRI-Volumina auf mehreren Skalen einbetten – so werden sowohl feine lokale Aktivitätsmuster als auch großräumige Dynamiken erfasst. Die anschließenden 4D CrossFormer Blocks modellieren Beziehungen zwischen Hirnregionen über kurze Distanzen (4D Short Distance Attention) und lange Distanzen (4D Long Distance Attention), wodurch das Modell komplexe, über das ganze Gehirn verteilte Muster lernt. Eine Explainable-AI-Technik erzeugt Attention-Maps, die visualisieren, welche Hirnregionen am stärksten zur Vorhersage beigetragen haben – statt nur einer Diagnose liefert das System so nachvollziehbare Evidenz. Die Forschung ist im IEEE Journal of Biomedical and Health Informatics veröffentlicht.
Erste Kennzahlen und Code verfügbar
Auf dem ADNI-Datensatz erreicht 4DfCF einen F1-Score von 96,28 Prozent. Der F1-Score ist das harmonische Mittel aus Präzision und Trefferquote und zeigt hier eine sehr hohe Genauigkeit bei der Unterscheidung von Alzheimer-Patienten und gesunden Kontrollen. Die Parameteranzahl ist relevant für Rechen- und Speicheraufwand: Das Basismodell nutzt etwa 10,34 Millionen Parameter, die kleinere Variante 4DfCF-T nur etwa 4,18 Millionen – deutlich weniger als viele große Vergleichsmodelle, was den Einsatz auf Krankenhausservern oder Forschungsrechnern realistischer macht. Beim Transfer-Learning wird das Modell zunächst auf einem fMRI-Datensatz vortrainiert, um allgemeine raumzeitliche Merkmale zu lernen, und anschließend auf einem zweiten Datensatz feinabgestimmt; dadurch sinkt die Lernzeit und die Genauigkeit steigt. Die Evaluation auf den Benchmark-Datensätzen ADHD-200, ADNI und ABIDE belegt die Validität über verschiedene Hirnerkrankungen hinweg – von ADHS über Alzheimer bis zu Autismus-Spektrum-Störungen. Eine Implementierung ist auf GitHub veröffentlicht.
