Ein neues Modell auf Basis funktioneller Magnetresonanztomografie (fMRT) kann Alzheimer-Risiken und kognitive Resilienz Jahre vor dem Auftreten erster Symptome vorhersagen. Das vom Stanford Medicine geleitete Forschungsteam stellte das sogenannte ARC-Machine-Learning-Framework am 4. November 2026 in der Fachzeitschrift Science Advances vor.
Die Methode analysiert Ruhe-fMRT-Daten, um neuronale Aktivitätsmuster im Gehirn zu kartieren. Dabei identifizierten die Forschenden spezifische Signaturen, die zwischen „Super-Agern“ – Personen ab einem Alter von 75 Jahren mit der Gedächtnisleistung von Jüngeren – und Patienten mit Alzheimer unterscheiden können. Die Wissenschaftler von Stanford Medicine entwickelten den sogenannten ARC-Score auf Basis einer Entdeckungskohorte von 290 Probanden. In dieser ersten Stichprobe erreichte das Machine-Learning-Verfahren einen Wert für die Fläche unter der ROC-Kurve (AUC) von 0,85, was einer Genauigkeit von etwa 85 Prozent entspricht.”
Prognose bei kognitiv unauffälligen Erwachsenen
Über die reine Differenzierung hinaus wandte das Team den Ansatz auf mehr als 1.300 kognitiv unauffällige Erwachsene im Alter von 55 bis 70 Jahren an. Über einen Zeitraum von zwölf Jahren korrelierten Alzheimer-ähnliche Aktivitätsmuster mit einem beschleunigten kognitiven Abbau, einer stärkeren Anreicherung von Amyloid-beta-Plaques und einer höheren Wahrscheinlichkeit für eine spätere Alzheimer-Diagnose.
Die Forschenden betonen, dass ihr Modell in dieser Altersgruppe eine höhere prognostische Treffsicherheit aufwies als demografische Daten, genetische Faktoren oder etablierte Biomarker für Amyloid-beta und Tau.
Kanhao (Alex) Zhao, Postdoktorand in Psychiatrie und Erstautor der Studie, erklärte, dass das Team den ARC-Score verwendet habe, um vorherzusagen, wie wahrscheinlich es ist, dass ein Patient eine leichte kognitive Beeinträchtigung oder Alzheimer entwickelt.
Funktionelle Konnektivität als Indikator
Das Modell stützt sich auf die sogenannte funktionelle Konnektivität. Da der Score lediglich statistische Wahrscheinlichkeiten abbildet, ist eine ursächliche Kausalität zwischen den gemessenen Aktivitätsmustern und den späteren Krankheitsausprägungen bislang nicht belegt.
Vergleich mit anderen dynamischen Modellen
Unabhängige Analysen von fMRT-Daten, unter anderem aus der Alzheimer’s Disease Neuroimaging Initiative mit 174 Teilnehmenden, bestätigen den Wert dynamischer Konnektivitätsanalysen (dFC) gegenüber statischen Methoden. Es zeigte sich, dass statische graphentheoretische Metriken signifikant mit Mini-Mental State Examination (MMSE) Werten korrelierten, während dFC ergänzende Informationen lieferte. Die Integration beider Merkmale erzielte die höchste Klassifikationsgenauigkeit für verschiedene Stadien, von kognitiv unauffälligen Personen bis hin zu Alzheimer-Patienten (bis zu 89,6 Prozent bei der Differenzierung zwischen kognitiv Normalen und Personen mit subjektiven Gedächtnisbeschwerden).
Die Forschung in Stanford wurde unter anderem durch das National Institutes of Health (Grants R21AG080425, R01MH129694 und R01AG081768), die Rosenkranz Foundation-Knight Initiative, die Alzheimer’s Association sowie Lehigh University CORE-Mittel finanziert.
Yu Zhang äußerte sich optimistisch, dass bei einer präzisen Identifizierung eines solchen Frühwarnsignals dieser Prozess durch fortschrittliche Interventionstechnologien umgekehrt oder verhindert werden könne.
Interessierte sollten bei Fragen zu ihrer kognitiven Gesundheit oder bei Sorgen über mögliche Symptome stets qualifizierte Mediziner konsultieren, um eine individuelle klinische Einschätzung zu erhalten.
