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
2015-09-01
SCID: 54.1/uheq3v8h
Discuss with AI
когорта ADNIболезнь Альцгеймерамашинное обучениебиомаркеры магнитно-резонансной томографииконверсия лёгких когнитивных нарушений
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
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
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Клиническая диагностика болезни Альцгеймера1984
Диагностика деменции вследствие болезни Альцгеймера: рекомендации рабочих групп Национального института старения и Ассоциации Альцгеймера по руководящим принципам диагностики болезни Альцгеймера2011
Диагностика легких когнитивных нарушений вследствие болезни Альцгеймера: Рекомендации рабочих групп Национального института по проблемам старения и Ассоциации по болезни Альцгеймера по руководящим принципам диагностики болезни Альцгеймера2011
Легкие нарушения когнитивных функций1999
О переобучении при выборе модели и последующей смещённости выбора в оценке качества2010