Подход на основе машинного обучения для дифференциальной диагностики болезни Альцгеймера и сосудистой деменции с использованием признаков, отобранных по данным МРТ
A Machine Learning Approach for the Differential Diagnosis of Alzheimer and Vascular Dementia Fed by MRI Selected Features
2020-06-11
SCID: 54.1/hnwn49ry
Discuss with AI
болезнь Альцгеймерадиффузионно-тензорная визуализациямашинное обучениефункциональная МРТ в состоянии покоясосудистая деменция
Figures from the paper
Abstract (AI)
Среди заболеваний, сходных с деменцией, болезнь Альцгеймера (БА) и сосудистая деменция (СД) являются одними из наиболее распространённых. БА и СД могут иметь множество общих неврологических симптомов, что при использовании традиционных клинических и магнитно-резонансных (МРТ) критериев может приводить к неоднозначной диагностике. Поэтому необходимы другие подходы для решения этой проблемы. Было показано, что машинное обучение (МО) в сочетании с МРТ повышает точность диагностики ряда нейродегенеративных заболеваний, включая деменцию. В связи с этим в настоящем исследовании мы, во-первых, изучили, могут ли различные типы алгоритмов МО в сочетании с расширенными МРТ-признаками способствовать классификации СД и БА, а во-вторых, проверили, может ли разработанный подход помочь предсказать преобладающее заболевание у пациентов с неясным профилем БА или СД. Были протестированы три категории алгоритмов МО: искусственные нейронные сети (ИНС), метод опорных векторов (SVM) и адаптивная нейро-нечёткая система вывода (ANFIS). Для обучения алгоритмов и поиска оптимального набора признаков, позволяющего различать СД и БА, использовали множество региональных показателей, полученных методом функциональной МРТ в состоянии покоя (rs-фМРТ) и диффузионно-тензорной визуализации (DTI), у 60 пациентов (33 с БА и 27 с СД). Затем выявленный дискриминантный набор признаков СД–БА использовали в качестве входных данных для наиболее эффективного алгоритма МО с целью прогнозирования распространённости заболевания у 15 пациентов с деменцией и клиническим профилем «смешанная деменция СД–БА» (MXD) на основании исходных данных МРТ. Прогнозы МО сравнивали с диагностическими данными 3-летнего клинического наблюдения. ANFIS оказался наиболее эффективным алгоритмом для различения БА и СД, достигнув точности классификации более 84% при использовании небольшого набора признаков. Кроме того, точность классификации ANFIS повышалась при обучении на мультимодальном наборе входных признаков (например, показателей DTI + rs-фМРТ), а не на одномодальном наборе. При применении наилучшего дискриминантного набора признаков к группе MXD ANFIS достиг корректной частоты прогнозирования 77...
Key Findings
1
Среди моделей ANN, SVM и ANFIS система ANFIS наиболее эффективно различала болезнь Альцгеймера и сосудистую деменцию, достигнув точности классификации выше 84% при использовании небольшого набора признаков.
2
Применение оптимального набора признаков для различения болезни Альцгеймера и сосудистой деменции к 15 пациентам со смешанным клиническим профилем обеспечило 77% правильных прогнозов по сравнению с данными трёхлетнего клинического наблюдения.
3
Модели машинного обучения с использованием расширенных МРТ-признаков оценивались для различения болезни Альцгеймера и сосудистой деменции, а также прогнозирования преобладающего заболевания в клинически смешанных случаях.
4
Мультимодальные МРТ-признаки, объединяющие показатели DTI и фМРТ в состоянии покоя, повышали точность классификации ANFIS по сравнению с одномодальными наборами признаков.
Research Object
Пациенты с болезнью Альцгеймера, сосудистой деменцией и смешанной деменцией VD-AD, охарактеризованные по признакам, полученным с помощью MRI
Research Subject
Дифференциальная классификация болезни Альцгеймера и сосудистой деменции на основе признаков MRI и прогнозирование преобладающего заболевания в клинически неоднозначных смешанных случаях
Publication Details
Publication Date
2020-06-11
Journal
Publisher
ISSN
Cited by
142
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Специализированные отделения и традиционный уход при деменции: взаимосвязь с поведением, когнитивными функциями, функциональным статусом и качеством жизни — обзор2013
Причины использования технологий пожилыми людьми при старении в месте проживания2015
Диагностика деменции вследствие болезни Альцгеймера: рекомендации рабочих групп Национального института старения и Ассоциации Альцгеймера по руководящим принципам диагностики болезни Альцгеймера2011
Активность сети пассивного режима работы мозга позволяет отличить болезнь Альцгеймера от нормального старения: данные функциональной МРТ2004
Машинное обучение нейровизуализации для вспомогательной диагностики когнитивных нарушений и деменции: систематический обзор2018