Ein quanteninspiriertes Machine-Learning-Framework hat stabile Hirnregionen identifiziert, die bei Schizophrenie und bipolarer Störung als Hubs fungieren, wobei bipolare Merkmale eine Teilmenge der schizophrenen bilden – eine netzwerkbasierte Signatur hierarchischer Hirnveränderungen.
Die Forschung
Forschende unter der Leitung von Domenico Pomarico an der Universität Bari Aldo Moro und Kolleginnen und Kollegen verschiedener Institutionen in Italien, Chile und Großbritannien wandten Tensor-Netzwerk-Machine-Learning – eine ursprünglich für die Quantenvielteilchenphysik entwickelte Methode – auf strukturelle MRT-Daten an. Das Team, zu dem Alessandro Grecucci, Loredana Bellantuono, Jesus M. Cortes, Marianna La Rocca, Alfonso Monaco, Marlis Ontivero-Ortega, Alessandro Scarano, Massimo Stella, Roberto Bellotti, Sebastiano Stramaglia und Nicola Amoroso gehören, kodierte Graue-Materie-Merkmale in eine Matrix-Produkt-Zustands-Darstellung. Nach dem Training extrahierten sie quantenverbundene Korrelationen zwischen den Merkmalen und bildeten diese auf einen gewichteten Graphen ab.
Mithilfe wiederholter Train-Test-Stichproben über zwei Klassifikationsaufgaben – gesunde Kontrollpersonen versus Schizophrenie und versus bipolare Störung – verfolgten sie sowohl globale Netzwerkeigenschaften als auch Zentralitätsmaße auf Knotenebene. Die Analyse ergab eine stabile Gruppe von Graue-Materie-Merkmalen, allen voran der Heschl-Gyrus, der insuläre Kortex und frontale Regionen, die über mehrere Zentralitätsmaße und Resampling-Durchläufe hinweg konsistent als Hubs fungierten. Diese Zentralitäten zeigten eine geringere Variabilität als Shapley-Werte, was darauf hindeutet, dass die Netzwerkdarstellung eine zuverlässigere Interpretierbarkeit bietet. Bemerkenswert ist, dass die bipolare Merkmalsgruppe als Teilmenge der schizophrenen hervorging, was mit den hierarchisch organisierten neuroanatomischen Veränderungen übereinstimmt, die in früheren Neuroimaging-Studien berichtet wurden.
Die Arbeit, arXiv:2608.21368, wurde am 19. Juni 2026 eingereicht und ist unter Neuronen und Kognition (q-bio.NC) kategorisiert.
Warum es wichtig ist
Diese Arbeit verbindet Quantenphysik, Machine Learning und Neurowissenschaft, um besser interpretierbare Karten von Hirnerkrankungen zu liefern. Für alle, die sich für Kognition interessieren, unterstreicht sie, dass komplexe psychiatrische Erkrankungen nicht zufällig sind, sondern spezifische, hierarchisch organisierte Hirnnetzwerke betreffen. Das Verständnis dieser Hubs – wie des Heschl-Gyrus (auditorische Verarbeitung) und des insulären Kortex (Interozeption, Emotion) – könnte zu besseren Diagnosen und gezielteren Interventionen führen. Allgemeiner zeigt es, wie fortgeschrittene computergestützte Methoden stabile biologische Signaturen aufdecken können, die einfachere Modelle übersehen, und so potenziell die Art und Weise verbessern, wie wir Hirngesundheit klassifizieren und untersuchen.
Was Sie tun können
- Bleiben Sie neugierig, wie Lebensstilfaktoren (Schlaf, Bewegung, soziale Teilhabe) die Integrität von Hirnnetzwerken beeinflussen; es gibt Hinweise auf einen Zusammenhang mit kognitiver Resilienz.
- Wenn Sie Bedenken bezüglich Ihrer eigenen kognitiven Gesundheit oder Stimmung haben, wenden Sie sich an eine qualifizierte medizinische Fachkraft – diese Forschung ist kein Diagnoseinstrument.
- Beteiligen Sie sich an geistig anregenden Aktivitäten, die Gedächtnis, Schlussfolgerungsvermögen und soziale Kognition herausfordern; sie könnten helfen, Graue-Materie-Netzwerke zu erhalten.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder probieren Sie 306 Gehirntraining-Level aus.