Modellierung von Mechanismen und physiologischen Surrogaten des Alterns

Die Analyse Gehirn-bezogener hochdimensionaler Bildgebungs- und Nicht-Bildgebungsdaten sowie anderer Faktoren, die relevant für die kognitive Leistungsfähigkeit sind, ist herausfordernd aufgrund ihrer Lückenhaftigkeit in Bezug auf ihre Dimensionalität sowie ihrer auffälligen nicht-linearen Korrelationsstruktur. Um überprüfbare Hypothesen zu generieren und die Prädiktion des individuellen zukünftigen kognitiven Status zu verbessern, ist es daher unumgänglich, aufgabenbezogen angepasste Mustererkennungs- und Maschinenlernalgorithmen in die Analyseverfahren mit einzubeziehen. Mein persönliches Ziel dabei ist es, die Anpassung und Nutzung in Bezug auf die spezifischen Forschungsziele und Fragestellungen im Feld der neuronalen Bildgebung und Resilienz im Alter voranzutreiben.

Aktuelle Projekte

• Mechanismen und Modulater des kognitiven Trainingstransfers bei kognitiv gesunden Älteren (AgeGain) – BMBF-geförderte multizentrische Studie (siehe Wolf D et al. (2018), Trials)

Publikationen

• Fischer, F. U., Wolf, D., & Fellgiebel, A. (2020). Network efficiency predicts resilience to cogni-tive decline in elderly at risk for Alzheimer's. BioRxiv. (Preprint)
• Fischer, F.U., Wolf, D., Fellgiebel, A. (2019). Connectivity and morphology of hubs of the cer-ebral structural connectome are associated with brain resilience in AD- and age-related pathology. Alzheimer’s Disease Neuroimaging Initiative*. Brain Imaging Behav. doi:0.1007/s11682-019-00090-y. 
• Fischer, F.U., Wolf, D., Scheurich, A., Fellgiebel, A. (2015). Altered whole-brain white matter networks in preclinical Alzheimer's disease. Alzheimer's Disease Neuroimaging Initiative. Neu-roimage Clin. doi: 10.1016/j.nicl.2015.06.007. 
• Fischer, F.U., Wolf, D., Scheurich, A., Fellgiebel, A. (2014). Association of structural global brain network properties with intelligence in normal aging. PLoS One. doi: 10.1371/journal.pone.0086258.