Биомаркеры магнитно-резонансной визуализации для ранней диагностики болезни Альцгеймера: подход на основе машинного обучения

Magnetic resonance imaging biomarkers for the early diagnosis of Alzheimer's disease: a machine learning approach
Maria Carla Gilardi, Antonio Cerasa, Isabella Castiglioni, Christian Salvatore, Aldo Quattrone, Petronilla Battista
2015-09-01

когорта ADNIболезнь Альцгеймерамашинное обучениебиомаркеры магнитно-резонансной томографииконверсия лёгких когнитивных нарушений
Определение чувствительных и специфичных маркеров очень раннего прогрессирования болезни Альцгеймера (БА) призвано помочь исследователям и клиницистам разрабатывать новые методы лечения и контролировать их эффективность, а также сокращать продолжительность и стоимость клинических исследований. Биомаркеры, связанные с магнитно-резонансной (МР) визуализацией, недавно были выявлены с помощью методов машинного обучения для дифференциальной диагностики БА in vivo. Однако подавляющее большинство нейровизуализационных исследований по этой теме сосредоточено на различиях между БА и пациентами с умеренными когнитивными нарушениями (УКН), не учитывая различия между пациентами с УКН, у которых впоследствии разовьётся БА (MCIc), и пациентами, у которых конверсии в БА не произойдёт (MCInc). Морфологические Т1-взвешенные МР-изображения 137 пациентов с БА, 76 пациентов с MCIc, 134 пациентов с MCInc и 162 здоровых лиц контрольной группы (CN), отобранных из когорты инициативы по нейровизуализации болезни Альцгеймера (ADNI), были проанализированы с использованием оптимизированного алгоритма машинного обучения. Вокселы, влиявшие на классификацию этих связанных с БА доклинических стадий, включали гиппокамп, энторинальную кору, базальные ганглии, прямую извилину, предклинье и мозжечок — все это критически важные области, тесно связанные с патофизиологическими механизмами БА. Точность классификации составила 76% для БА по сравнению с CN, 72% для MCIc по сравнению с CN и 66% для MCIc по сравнению с MCInc; оценка выполнялась с использованием вложенной 20-кратной перекрёстной проверки. Полученные данные поддерживают применение компьютерной диагностики в клинической практике при БА, открывая новые перспективы для раннего ведения пациентов с БА.
1
Оптимизированный алгоритм машинного обучения проанализировал морфологические Т1-взвешенные МРТ-сканы 509 участников ADNI из групп болезни Альцгеймера, конвертирующей и неконвертирующей МКН и здоровых лиц.
2
Области мозга, наиболее значимые для классификации, включали гиппокамп, энторинальную кору, базальные ганглии, прямую извилину, предклинье и мозжечок.
3
Точность различения конвертирующей и неконвертирующей МКН составила 66%, что поддерживает применение МРТ для ранней оценки риска.
4
Точность различения пациентов с МКН, конвертировавших в болезнь Альцгеймера, и здоровых лиц составила 72%.
5
Точность классификации болезни Альцгеймера и здоровых лиц составила 76% при вложенной 20-кратной перекрёстной проверке.

Морфологические Т1-взвешенные МР-изображения головного мозга пациентов с болезнью Альцгеймера, с лёгким когнитивным нарушением, прогрессирующим и не прогрессирующим до болезни Альцгеймера, а также здоровых лиц контрольной группы

МРТ-биомаркеры и эффективность их классификации для различения ранних стадий, связанных с болезнью Альцгеймера, включая прогрессирование лёгкого когнитивного нарушения до болезни Альцгеймера

Publication Details
Publication Date
2015-09-01
Journal
Publisher
ISSN
Cited by
268
Access Type
Author Information
Authors
Maria Carla Gilardi
Antonio Cerasa
Isabella Castiglioni
Christian Salvatore
Aldo Quattrone
Petronilla Battista
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%