Forudsigelse af udviklingen af ​​subjektiv kognitiv tilbagegang til Alzheimers sygdom med maskinlæring (PREVIEW)

Det regionale referencecenter for Alzheimers sygdom og kognitive lidelser på Careggi Hospital, Firenze, startede for omkring 25 år siden med at indsamle kliniske, neuropsykologiske, personligheds- og livsstilsdata for patienter med subjektiv kognitiv tilbagegang (SCD). Med udgangspunkt i disse data er formålet med denne undersøgelse at øge antallet af variabler indsamlet på SCD-personer og udvide den kliniske opfølgning for at afgrænse mere nøjagtige sygdomsforløb og identificere meget tidligt individ med risiko for konvertering i Alzheimers sygdom (AD ).

Fordelene ved at opdage kognitiv svækkelse i de tidlige stadier er kritiske. Sådan påvisning er traditionelt blevet udført manuelt af en eller flere klinikere baseret på rapporter og testresultater. Maskinlæringsalgoritmer tilbyder en detektionsmetode, der kan give en automatiseret proces og værdifuld indsigt i diagnose og klassificering. Med dette værktøj kunne klinikere designe optimale screeninger for allerede på SCD-stadiet at forudsige mulige udviklinger af patientens tilstande, og gennem beslutningsprotokoller etablere graden af ​​hensigtsmæssighed af de undersøgelser/undersøgelser, der skal udføres for hver patient, baseret på aktuelle risikotilstand.

Formålet med denne undersøgelse er gennem maskinlæringsværktøjer at evaluere nøjagtigheden af ​​kliniske data, neuropsykologisk vurdering, personlighedstræk, kognitiv reserve, genetiske faktorer, cerebrospinalvæske (CSF) neurodegeneration biomarkører og funktioner fra EEG og begivenhedsrelaterede potentialer (ERP) ) til at forudsige konvertering fra SCD-tilstand til mild kognitiv svækkelse (MCI) og AD.

Alle deltagere vil gennemgå en omfattende familiær og klinisk historie, generel og neurologisk undersøgelse, omfattende neuropsykologisk batteri (ca. 19 test, der udforsker alle kognitive domæner: hukommelse, opmærksomhed, eksekutive funktioner, sprog, praksis), estimering af præmorbid intelligens (TIB - Test di Intelligenza Breve, en italiensk version af National Adult Reading Test - NART), personlighedstræk (Big Five Factors Questionnaire - BFFQ) og evaluering af fritidsaktiviteter (struktureret interviewet vedrørende deltagelse i intellektuelle, sportslige og sociale aktiviteter) samt vurdering af depression ( Hamilton Depression Rating Scale - HDRS). Desuden vil alle patienter gennemgå en CSF-analyse for at vurdere etablerede biomarkører (Aβ42, total tau, p-tau), og blodprøver til DNA-analyse vil blive indsamlet for at identificere Apolipoprotein E (APOE) og hjerne-afledte neurotrofisk faktor (BDNF) genotyper . Der vil især blive analyseret tre forskellige enkeltnukleotidpolymorfier (SNP'er):

• BDNF SNP Val66Met (valin-methionin substitution) var allerede forbundet med dårligere episodisk hukommelse og unormal hippocampus aktivering analyseret med MRI
• APOE-gener rs429358 og rs7412, der er involveret i dannelsen af ​​amyloid plak. Kun klinisk og neuropsykologisk vurdering gentages årligt for at evaluere progression af tilbagegang.

Delprøven vil blive udvalgt, herunder alle nye tilfælde af SCD inkluderet i undersøgelsen (ca. 50), alle forsøgspersoner konverteret til MCI (ca. 25) og alle patienter, der allerede er undersøgt, som rapporterer en subjektiv kognitiv lidelse i mindre end 10 år (ca. 75).

Denne udvalgte delprøve vil også udføre yderligere undersøgelser: CSF-biomarkører, EEG-registreringer i hviletilstand og ERP-registrering.

For omkring 150 personer vil EEG-aktiviteten blive registreret. Deltagerne vil få administreret et ERP-testbatteri med samtidig optaget EEG. Analyse af EEG-data vil især starte med en standardiseret EEG-behandlingspipeline i et tidligt stadium (PREP Pipeline) med fokus på højfiltrering ved 1 Hz, identifikation af dårlige kanaler og beregning af en robust gennemsnitsreference. Efterforskerne vil udføre signalepoker ved hjælp af epoker med fast længde til hviletilstandsmålinger og stimuluslåste epoker for signaler erhvervet under opgaver. Epoker, der indeholder artefaktiske signaler, vil blive fjernet med en semi-automatisk procedure. Efterforskerne vil derefter anvende uafhængig komponentanalyse (ICA) til dataene, efterfulgt af en semiautomatisk detektion af artefaktuelle komponenter baseret på mål for autokorrelation, korrelation med EOG-elektrode, fokalkanaltopografi og kvaliteten af ​​monokilde-dipoltilpasning. Endelig vil efterforskerne beregne effektfunktioner ved sensorrummet, dvs. frekvensbåndseffekter, og lineære/ikke-lineære funktionelle konnektivitetsmetrikker, dvs. direkte overførselsfunktion og gensidig information, på kildeniveau efter en kilderekonstruktionsprocedure, dvs. Lav opløsning hjerne elektromagnetisk tomografi (LORETA) metode (Pascual-Marqui et al 2002).

Maskinlæringsanalyse vil forløbe som følger. Den første analyse vil omfatte alle de patienter, der blev diagnosticeret med SCD i det foreløbige arbejde. Efterforskerne vil definere et sæt multimodale funktioner, herunder alle de 19 neuropsykologiske tests, et udvalg af personlighedsvurderinger og den genetiske profil. Efterforskerne vil definere en fælles metrik baseret på spredningen af ​​hver enkelt dimension af profilen, og derefter vil de træne en maskinlæringsalgoritme til at knytte hver profil "vektor" til den tilhørende udvikling af sygdommen efter en fast tid (i første omgang den evt. kategorier vil kun være SCD, MCI, AD uden yderligere underniveauer, men dette kan forbedres i yderligere runder). For det første vil efterforskerne udføre denne klassificering med standard maskinlæringsprocedurer som støttevektormaskine (SVM, ved hjælp af binære beslutningstræer) og k-nærmeste naboer (kNN). Derefter vil de udnytte det faktum, at neurofysiologiske vurderinger gentages årligt (se ovenfor) til at bruge SuStaIn-algoritmen, der tidligere blev anvendt på neuroimaging-data (se state of the art og Young 2018). Kort fortalt z-scorer algoritmen hver dimension af profilen og modellerer med en stykkevis lineær funktion de forskellige veje for akkumulering af hver markør, dvs. progressionen fra sunde til unormale værdier. Denne tilgang overgår ikke kun standardalgoritmer til at forudsige forsøgspersonernes endelige tilstand baseret på startprofilen, men fremhæver de forskellige veje, der kan føre til det samme resultat. I et separat sæt analyser vil efterforskerne følge en dyb læringstilgang, ved at bruge nøjagtig de samme emneprofiler til at træne et feedforward kunstigt neuralt netværk på flere niveauer (ANN), der forudsiger patientens tilstand efter en fast tid. Netværkene vil blive trænet med standard gradient descent og backpropagation teknikker, og ved hjælp af dropout og batch normaliseringsprocedurer vil efterforskerne opnå robuste automatiske klassificeringsresultater. Ved at sammenligne SuStaIn- og ANN-klassificeringsydelsen vil de beslutte den mest bekvemme tilgang til opgaven. Desuden vil de anvende standarddimensionalitetsreduktionsteknikker for at udtrække de mest fremtrædende træk og gentage proceduren beskrevet ovenfor for at vurdere, om det er muligt at opnå de samme resultater med en delmængde af screeningerne.

Den valgte tilgang vil derefter blive gentaget for de nye patienter, der blev rekrutteret under PREVIEW, og dem, der gennemgår opfølgningsanalyse under projektet. Den eneste forskel vil være det nye sæt af faktorer, der er inkluderet i analysen, inklusive alle de data, der blev brugt i den første version, men også BDNF, CSF-biomarkører og de nye træk udtrukket fra hviletilstands EEG-optagelser og ERP. Dette vil kræve at definere en anden multimodal metrik på tværs af alle funktioner og en deraf følgende omformning og genoptræning af maskinlæringsnetværket. Som beskrevet ovenfor, selv for den anden version af algoritmen vil efterforskerne sigte mod at definere det minimale sæt af funktioner, der opnår den optimale ydeevne. Det endelige resultat af algoritmen vil give en forudsigelse af udviklingen af ​​tilstanden for hver patient baseret på hans/hendes komplette profil.