Multi-Stream-Deep-Learning-Rahmenwerk, das Bilder und Merkmalsrepräsentationen integriert, um mittels des Rey-Komplex-Figur-Tests leichte kognitive Beeinträchtigungen vorherzusagen

Warum Zeichnen verborgene Gedächtnisprobleme offenbaren kann

Da die Menschen immer älter werden, sorgen sich viele über subtile Gedächtnislücken und ob diese frühe Anzeichen einer Demenz sein könnten. Ärztinnen und Ärzte verwenden seit Langem einfache Papier-und-Bleistift-Zeichentests, um Denken und Gedächtnis zu prüfen, weil sie schnell, kostengünstig und in jeder Praxis leicht durchführbar sind. Diese Studie zeigt, wie moderne künstliche Intelligenz wesentlich mehr Informationen aus einem klassischen Zeichentest extrahieren kann und ihn so in ein leistungsfähiges Frühwarninstrument für leichte kognitive Beeinträchtigungen verwandelt — einen Zustand, der oft einer Demenz vorausgeht.

Ein klassisches Bild mit neuen digitalen Augen

Eine weit verbreitete Aufgabe ist der Rey-Komplex-Figur-Test. Zuerst soll eine Person eine detaillierte, abstrakte Strichzeichnung kopieren und später aus dem Gedächtnis erneut zeichnen. Traditionell bewerten Experten jede Zeichnung auf einer 36-Punkte-Skala und beurteilen, wie genau verschiedene Teile platziert und geformt sind. Diese Bewertungen geben einen nützlichen Überblick über visuell-räumliche Fähigkeiten und visuelles Gedächtnis, lassen jedoch zwangsläufig viele subtile Merkmale der Zeichnung unberücksichtigt. Die Autorinnen und Autoren dieses Papiers setzten sich zum Ziel, ein automatisiertes System zu entwickeln, das das gesamte Bild betrachten, es mit der üblichen Punktzahl und grundlegenden Hintergrundinformationen wie Alter, Geschlecht und Bildungsjahre kombinieren und dann entscheiden kann, ob bei einer Person wahrscheinlich eine leichte kognitive Beeinträchtigung vorliegt.

Zwei Wege, eine Zeichnung zu lesen

Die Forschenden entwarfen ein „zwei‑Stream“-Deep‑Learning-Modell, das die Zeichnungen einer Person gleichzeitig auf zwei unterschiedliche Weisen verarbeitet. Im ersten Pfad, dem sogenannten Spatial-Stream, werden die rohen Scans der drei Zeichnungen (Kopie, sofortiges Erinnern und verzögertes Erinnern) in ein Bilderkennungsnetz eingespeist. Dieses Netzwerk, basierend auf einer Architektur namens EfficientNet, lernt automatisch visuelle Merkmale wie Formen, Strichstärke und Zeichenstil. Ein spezielles Aufmerksamkeitsmodul hilft dem System zudem, sich stärker auf die informativsten Bereiche der Zeichnung zu konzentrieren. Im zweiten Pfad, dem Scoring-Stream, nimmt das Modell die üblichen Rey-Punktzahlen — automatisch erzeugt von einem zuvor trainierten Bewertungsnetz — zusammen mit Alter, Geschlecht und Bildungsniveau der Person auf. Diese strukturierten Zahlen werden durch ein einfacheres Vorhersagenetz kombiniert. Schließlich werden die Ausgaben beider Streams gemittelt, um eine einzelne Wahrscheinlichkeit zu erzeugen, dass die Person eine leichte kognitive Beeinträchtigung statt normaler Kognition aufweist.

Vom Lernen an vielen älteren Erwachsenen

Zum Trainieren und Testen ihres Systems verwendete das Team Zeichnungen von 1.740 älteren Erwachsenen aus einer großen koreanischen Kohorte, etwa die Hälfte mit normaler Kognition und die andere Hälfte mit leichter kognitiver Beeinträchtigung. Sie teilten diesen Datensatz wiederholt in Trainings-, Validierungs- und Testsets auf, um das Modell feinzujustieren und Überanpassung zu vermeiden. Entscheidend war außerdem die Auswertung der Leistung an einer unabhängigen Gruppe von 222 Patientinnen und Patienten aus einem anderen Krankenhaus. Bevor Vorhersagemodelle auf diesem externen Satz erstellt wurden, nutzten sie ihr automatisiertes Bewertungswerkzeug, um große Abweichungen zwischen Maschinen- und Menschenbewertungen zu prüfen; bei starken Meinungsverschiedenheiten überprüften und korrigierten Expertinnen und Experten ihre Bewertungen. Dieser Qualitätssicherungsschritt verbesserte die Übereinstimmung zwischen menschlichen und KI-Bewertungen und stärkte die Verbindung zwischen manueller und automatisierter Beurteilung.

Wie gut das System frühe Beeinträchtigungen erkennt

Die Forschenden verglichen ihr Zwei‑Stream-Modell mit mehreren Alternativen: einfachen statistischen Modellen, die einen gebräuchlichen kurzen Test der allgemeinen Kognition verwenden, Modellen, die nur auf menschlichen Rey-Punktzahlen basieren, Modellen mit nur KI-generierten Rey-Werten und einem Deep‑Learning-Modell, das ausschließlich die Bilder ohne den Scoring-Stream betrachtete. In zahlreichen Wiederholungen innerhalb der Haupkohorte und in der externen Krankenhausgruppe war das kombinierte Zwei‑Stream-System durchweg überlegen. Im externen Test erreichte es eine Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) von 0,872 und eine Gesamtgenauigkeit von etwa 78 Prozent und übertraf damit sowohl traditionelle, punktbasierte Modelle als auch das reine Bildnetz. Diese Verbesserungen deuten darauf hin, dass die Kombination aus reichhaltigen visuellen Details und strukturierten Bewertungsinformationen ein stabileres und verlässlicheres Bild frühzeitiger kognitiver Veränderungen liefert.

Was das für den Alltag in Kliniken bedeuten könnte

Aus Sicht der Patientin oder des Patienten muss am Test nichts geändert werden: Sie setzen sich wie gewohnt mit Stift und Papier hin und kopieren eine komplexe Figur. Hinter den Kulissen können jedoch ein Scanner und das KI‑System die Zeichnungen in Sekunden auswerten, standardisierte Punktzahlen erzeugen und das Risiko für eine leichte kognitive Beeinträchtigung genauer schätzen als viele bestehende Schnelltests. Da lediglich ein vertrauter Einzeltest plus routinemäßige Hintergrundinformationen nötig sind, ließe sich die Methode ohne große Störungen in vielbeschäftigte Untersuchungszentren integrieren. Obwohl die Studie koreanische Teilnehmende betrachtete und nur statische Bilder nutzte, weist der Ansatz in Richtung einer Zukunft, in der einfache Zeichnungen, interpretiert von intelligenter Software, subtile kognitive Probleme frühzeitig anzeigen — rechtzeitig für sinnvolle Interventionen.

Zitation: Park, J., Seo, E.H., Kim, S. et al. Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test. Sci Rep 16, 9629 (2026). https://doi.org/10.1038/s41598-025-34491-5

Schlüsselwörter: leichte kognitive Beeinträchtigung, Rey-Komplex-Figur-Test, Deep-Learning-Screening, kognitive Beurteilung, Demenzenprävention