AI Summary & Key Takeaways
AI InsightConclusion: The results of this study show that the use of a convolutional neural network using significant topographic regions of the brain is successful in predicting the risk of developing Alzheimer's disease for patients with MCI.
📌 3 Key Takeaways
Abstract
Objective: Nowadays, it is of great interest to identify neuroimaging biomarkers for the early detection of Alzheimer's disease (AD). It is considered that approximately half of patients with a diagnosis of mild cognitive impairment (MCI) eventually develop Alzheimer's disease, and the other half remain stable. In this context, a novel convolutional neural network (CNN) based on voxel-based morphometric analysis is proposed to predict the prognosis of patients with MCI using their baseline structural magnetic resonance (MR) images. Methods: Two groups of patients were identified among 305 patients with a diagnosis of MCI, those who developed Alzheimer's disease during their follow-up (n=140), and those who remained stable in the MCI state (n=165). The baseline structural MR images of the patients were used for training and evaluating the proposed prediction model. Voxel-based morphometry generated from the baseline structural MR images was used to obtain significant volume of interests (VOIs) related with gray matter damage. Then, a convolutional neural network was trained to extract prognostic features from MR images using a set of convolutional feature detectors acquired by the training of a patch-based autoencoder. Results: This work achieved an accuracy of 78.7%, slightly superior (more than 4%) to a reference study, for predicting the risk of developing Alzheimer's disease for patients with MCI. Conclusion: The results of this study show that the use of a convolutional neural network using significant topographic regions of the brain is successful in predicting the risk of developing Alzheimer's disease for patients with MCI.
Özet
Amaç: Günümüzde, Alzheimer hastalığının erken teşhisi için nörogörüntülemeye dayalı biyobelirteç tanımlama ve bilgisayar destekli teşhis geliştirme büyük ilgi gören çalışmalardandır. Hafif bilişsel bozukluk (HBB) tanısı almış hastaların yaklaşık yarısında Alzheimer hastalığı geliştiği kabul edilmektedir. Bu kişilerin diğer yarısı ise HBB tanısı ile normal yaşam sürelerini tamamlamaktadırlar. Bu çalışmada, kliniğe ilk başvurularında HBB tanısı almış olan hastaların yapısal manyetik rezonans (MR) görüntülerine dayanarak, ileride Alzheimer hastalığı geliştirme ihtimalini öngören, yenilikçi yaklaşımlı bir evrişimsel sinir ağları yöntemi önerilmiştir. Yöntemler: Önerilen öngörü sistemini eğitmek ve tahmin doğruluğunu ölçümlemek için, HBB tanısı almış olup Alzheimer hastalığı geliştirdiği bilinen dönüşüm hasta grubu ile HBB stabil hasta grubuna ait ilk yapısal MR görüntüleri kullanıldı. Öncelikle bu görüntülerden, istatistiksel parametrik haritalama (SPM: statistical parametric mapping) yazılımı kullanılarak gri madde doku yoğunluk haritaları oluşturuldu. Voksel-tabanlı morfometrik analiz yöntemi ile stabil hasta grubuna göre dönüşüm hasta grubunda istatistiksel olarak anlamlı miktarda gri madde dokusunda azalma gözlemlenen ilgi alanları belirlendi. Yenilikçi bir yaklaşım ile evrişimsel sinir ağları modelinin ortaklama katmanında belirlenen ilgi alanları kullanılarak, her bir hasta için bir öznitelik vektörü oluşturuldu. Elde edilen öznitelik vektörünün prognozu tahmin etmedeki başarısı makine öğrenme yöntemleri ile test edilerek sonuçlar karşılaştırıldı. Sonuçlar: Bu çalışmada, HBB evresindeki hastalarda ileride AD geliştirme ihtimalini tahmin etmeye yönelik %78.7'lik bir doğruluk oranı elde edilmiştir ve literatürdeki referans çalışmadan %4 daha fazladır. Sonuç: Bu çalışma, beynin topografik dağılımı dikkate alınarak oluşturulan evrişimsel sinir ağları modelinin, AD geliştirme ihtimali öngörüsünde başarılı olduğunu göstermiştir.