Maschinelles Lernen mithilfe struktureller Diffusions-Tensor-Imaging (DTI) Daten zur Identifikation pädophiler Straftäter

Abstract

Aus einer männlichen Kohorte von 14 pädophilen Straftätern und 15 gesunden Kontrollpersonen wurden Diffusions-Tensor-Bildgebungsdaten (Anisotropie, Diffusivität und Fasertracking) in literaturbasierten Regionen von Interesse (präfrontaler Cortex (PFC), anteriorer cingulärer Cortex (ACC), Amygdala, Corpus callosum (CC)) ermittelt. Eine lineare Support-Vektor-Maschine wurde zur Identifizierung pädophiler Straftäter und deren Beziehung zu soziodemografischen Merkmalen (Alter, Bildung, IQ) sowie forensischen Merkmalen (Psychopathie, sexuelle Devianz, Risiko zukünftiger sexueller Gewalt anhand SVR-20, MSI sowie PCL-R) trainiert. Weiterhin wurde eine Out-of-Sample-Validierung bei 53 Kontrollprobanden aus demselben Standort durchgeführt. Mit einer BAC von 75,5 % (Sensitivität=64,3 %, Spezifität=86,7 %, P5000=.018) konnte der Klassifikator zwischen Kontrollprobanden und pädophilen Straftätern unterscheiden. Gehirnmuster, die diese Unterscheidung erlaubten, umfassten die fraktionelle Anisotropie bilateral im ACC, die Diffusivität in der linken Amygdala und die strukturelle PFC-Amygdala-Konnektivität in beiden Hemisphären.