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
Giovanni Magenes, Daniele Martinelli, Maria Giovanna Cuzzoni, Giuseppe Micieli, Gloria Castellazzi, Egidio Ugo D'Angelo, Alfredo Cardoso Costa, Elena Sinforiani, Sara Bernini, Fulvia Palesi, Claudia A. M. Gandini Wheeler‐Kingshott, Matteo Cotta Ramusino, Federica M. Denaro, Antonio Ricciardi, Paolo Vitali, Nicoletta Anzalone
2020-06-11

болезнь Альцгеймерадиффузионно-тензорная визуализациямашинное обучениефункциональная МРТ в состоянии покоясосудистая деменция
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...
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.

Пациенты с болезнью Альцгеймера, сосудистой деменцией и смешанной деменцией VD-AD, охарактеризованные по признакам, полученным с помощью MRI

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
Access Type
Author Information
Authors
Giovanni Magenes
Daniele Martinelli
Maria Giovanna Cuzzoni
Giuseppe Micieli
Gloria Castellazzi
Egidio Ugo D'Angelo
Alfredo Cardoso Costa
Elena Sinforiani
Sara Bernini
Fulvia Palesi
Claudia A. M. Gandini Wheeler‐Kingshott
Matteo Cotta Ramusino
Federica M. Denaro
Antonio Ricciardi
Paolo Vitali
Nicoletta Anzalone
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%