Neues Verfahren entschlüsselt Gehirnverbindungen trotz indirekter Messungen

Die gezielte Ermittlung von gerichteten Verbindungen im Gehirn aus neuroimaging-Daten ist ein schwieriges Problem. Hemodynamische Filterung und Volumenleitung verfälschen die gemessenen Signale und können echte neuronale Wechselwirkungen verschleiern. Viele bestehende Ansätze vermischen dabei Messartefakte mit echter neuronaler Einflussnahme, was zu fehlerhaften kausalen Graphen führen kann.

Um dieses Problem zu lösen, wurde INCAMA (INdirect CAusal MAmba) entwickelt – ein latentes Raum-Framework, das die Physik der Messung explizit berücksichtigt. Durch die Kombination eines physik‑sensiblen Inversionsmoduls mit einem nichtstationäritätsgetriebenen, verzögerungsbewussten Kausalitätsmodell, das auf selektiven Zustandsraums­sequenzen basiert, trennt INCAMA die neuronale Dynamik zuverlässig von indirekten Beobachtungen.

Die Methode nutzt Schifts­änderungen in nichtstationären Mechanismen als weiche Interventionen, um die Identifizierbarkeit von verzögerten kausalen Strukturen aus indirekten Messungen zu beweisen. Zusätzlich liefert ein Stabilitäts­bound eine quantitative Abschätzung, wie Inversionsfehler die Wiederherstellung des Graphen beeinflussen.

In umfangreichen biophysikalischen Simulationen für EEG und fMRI hat INCAMA die Leistung herkömmlicher Pipelines deutlich übertroffen. In einer Zero‑Shot‑Generalisation auf reale fMRI‑Daten des Human Connectome Project konnte das Verfahren ohne domänenspezifisches Feintuning die klassischen visuo‑motorischen Pfade (z. B. V1 → V2 und M1 ↔ S1) rekonstruieren – ein Ergebnis, das mit der etablierten Neuroanatomie übereinstimmt. Diese Erfolge unterstreichen das Potenzial von INCAMA für die ganzhirne kausale Inferenz in der Neurowissenschaft.