SUBJEKTIIVIN kognitiivisen rappeutumisen evoluution ennustaminen Alzheimerin taudille koneoppimisen avulla (PREVIEW)

Firenzen Careggin sairaalan Alzheimerin taudin ja kognitiivisten häiriöiden alueellinen referenssikeskus aloitti noin 25 vuotta sitten kerätäkseen kliinisiä, neuropsykologisia, persoonallisuus- ja elämäntapatietoja potilaista, joilla on subjektiivinen kognitiivinen heikkeneminen (SCD). Näistä tiedoista lähtien tämän tutkimuksen tavoitteena on lisätä SCD-potilaista kerättyjen muuttujien määrää ja laajentaa kliinistä seurantaa taudin tarkemman kulkureitin määrittämiseksi ja tunnistaa hyvin varhaisessa vaiheessa Alzheimerin taudin (AD) muuntumisriski. ).

Kognitiivisen heikentymisen varhaisessa vaiheessa havaitsemisen edut ovat kriittisiä. Yksi tai useampi kliinikko on perinteisesti suorittanut tällaisen havaitsemisen manuaalisesti raporttien ja testitulosten perusteella. Koneoppimisalgoritmit tarjoavat tunnistusmenetelmän, joka voi tarjota automatisoidun prosessin ja arvokasta tietoa diagnoosista ja luokittelusta. Tämän työkalun avulla kliinikot voivat suunnitella optimaalisia seulontoja ennustaakseen jo SCD-vaiheessa potilaan tilan mahdollisen kehityksen ja päätöksentekoprotokollien avulla määrittää kullekin potilaalle suoritettavien tutkimusten/tutkimuksen soveltuvuusasteen nykyisen tilanteen perusteella. riskin tila.

Tämän tutkimuksen tavoitteena on arvioida koneoppimistyökalujen avulla kliinisen tiedon tarkkuutta, neuropsykologista arviointia, persoonallisuuden piirteitä, kognitiivista varausta, geneettisiä tekijöitä, aivo-selkäydinnesteen (CSF) hermoston rappeutumisen biomarkkereita sekä EEG:n ja tapahtumaan liittyvien mahdollisuuksien (ERP) ominaisuuksia. ).

Kaikille osallistujille suoritetaan kattava perhe- ja kliininen historia, yleinen ja neurologinen tutkimus, laaja neuropsykologinen paristo (noin 19 testiä, jotka tutkivat kaikkia kognitiivisia alueita: muisti, huomio, toimeenpanotoiminnot, kieli, käytäntö), estimointi premorbidisesta älykkyydestä (TIB - Test di Intelligenza Breve, kansallisen aikuisten lukutestin (NART) italialainen versio, persoonallisuuspiirteet (Big Five Factors Questionnaire - BFFQ) ja vapaa-ajan aktiviteettien arviointi (strukturoitu haastattelu koskien osallistumista älylliseen, urheilulliseen ja sosiaaliseen toimintaan) sekä masennuksen arviointi ( Hamilton Depression Rating Scale - HDRS). Lisäksi kaikille potilaille tehdään CSF-analyysi vakiintuneiden biomarkkerien (Aβ42, kokonais-tau, p-tau) arvioimiseksi ja verinäytteitä DNA-analyysiä varten kerätään apolipoproteiini E (APOE) ja aivoperäisen neurotrofisen tekijän (BDNF) genotyyppien tunnistamiseksi. . Erityisesti analysoidaan kolme erilaista yhden nukleotidin polymorfismia (SNP):

• BDNF SNP Val66Met (valiini-metioniinisubstituutio) liittyi jo huonompaan episodiseen muistiin ja epänormaaliin hippokampuksen aktivaatioon, joka määritettiin magneettikuvauksella
• APOE-geenit rs429358 ja rs7412, jotka osallistuvat amyloidiplakin muodostumiseen Vain kliininen ja neuropsykologinen arviointi toistetaan vuosittain, jotta voidaan arvioida vähenemisen etenemistä.

Alaotos valitaan mukaan lukien kaikki tutkimukseen sisältyvät uudet SCD-tapaukset (noin 50), kaikki MCI:hen muunnetut koehenkilöt (noin 25) ja kaikki jo tutkitut potilaat, jotka raportoivat subjektiivisesta kognitiivisesta häiriöstä alle 10 vuoden ajan. (noin 75).

Tämä valittu osanäyte suorittaa myös lisätutkimuksia: CSF-biomarkkerit, lepotilan EEG-tallenteet ja ERP-rekisteröinti.

Noin 150 kohteen EEG-aktiivisuus tallennetaan. Osallistujille annetaan ERP-testiakku, jossa on samanaikaisesti tallennettu EEG. Erityisesti EEG-tietojen analysointi aloitetaan standardoidulla varhaisen vaiheen EEG-käsittelyputkistolla (PREP Pipeline), joka keskittyy korkeaan suodatukseen 1 Hz:llä, huonojen kanavien tunnistamiseen ja vankan keskiarvon laskemiseen. Tutkijat suorittavat signaalin epookkeja käyttämällä kiinteän pituisia jaksoja lepotilamittauksissa ja ärsykkeisiin lukittuja jaksoja tehtävien aikana hankituille signaaleille. Artefaktaalisen signaalin sisältävät aikakaudet poistetaan puoliautomaattisella toimenpiteellä. Tämän jälkeen tutkijat soveltavat tietoihin riippumatonta komponenttianalyysiä (ICA), jota seuraa artefaktuaalisten komponenttien puoliautomaattinen havaitseminen, joka perustuu autokorrelaatioon, korrelaatioon EOG-elektrodin kanssa, polttokanavan topografiaan ja monolähteen dipolisovituksen laatuun. Lopuksi tutkijat laskevat anturitilan tehoominaisuudet eli taajuuskaistojen tehot ja lineaariset/epälineaariset toiminnalliset liitettävyysmetriikat, eli suoran siirtofunktion ja keskinäisen informaation, lähdetasolla lähteen rekonstruktiomenettelyn jälkeen, ts. Low Resolution Brain Electromagnetic Tomography (LORETA) -menetelmä (Pascual-Marqui et al 2002).

Koneoppimisanalyysi etenee seuraavasti. Ensimmäiseen analyysiin otetaan mukaan kaikki potilaat, joilla esityössä todettiin SCD. Tutkijat määrittelevät joukon multimodaalisia ominaisuuksia, mukaan lukien kaikki 19 neuropsykologista testiä, valikoiman persoonallisuusarviointeja ja geneettistä profiilia. Tutkijat määrittelevät yhteiset mittarit, jotka perustuvat profiilin kunkin yksittäisen ulottuvuuden hajaannukseen, ja sitten he kouluttavat koneoppimisalgoritmin yhdistämään jokaisen profiilin "vektorin" siihen liittyvään taudin kehitykseen tietyn ajan kuluttua (alkuun mahdollinen luokat ovat vain SCD, MCI, AD ilman muita alatasoja, mutta tätä voidaan parantaa myöhemmillä kierroksilla). Ensin tutkijat suorittavat tämän luokituksen tavallisilla koneoppimisproseduureilla tukivektorikoneina (SVM, käyttäen binäärisiä päätöspuita) ja k-lähimpänä naapurina (kNN). Sitten he käyttävät hyväkseen sitä tosiasiaa, että neurofysiologiset arvioinnit toistetaan vuosittain (katso yllä) käyttääkseen SuStaIn-algoritmia, jota on aiemmin sovellettu hermokuvaustietoihin (katso tekniikan taso ja Young 2018). Lyhyesti sanottuna algoritmi z-pisteyttää profiilin jokaisen ulottuvuuden ja mallintaa palakohtaisella lineaarisella funktiolla kunkin markkerin eri kertymispolut, eli etenemisen terveistä epänormaaleihin arvoihin. Tämä lähestymistapa ei ainoastaan ​​ylitä standardialgoritmeja ennustettaessa koehenkilöiden lopullista tilaa lähtöprofiilin perusteella, vaan korostaa eri polkuja, jotka voivat johtaa samaan lopputulokseen. Erillisessä analyysisarjassa tutkijat noudattavat syvän oppimisen lähestymistapaa ja käyttävät täsmälleen samoja aiheprofiileja kouluttaakseen monitasoista feedforward keinotekoista hermoverkkoa (ANN), joka ennustaa potilaan tilan tietyn ajan kuluttua. Verkostoja koulutetaan standardinmukaisilla gradienttilaskeutumis- ja backpropagation tekniikoilla ja pudotus- ja eränormalisointimenetelmillä tutkijat saavat vankat automaattiset luokittelutulokset. Vertaamalla SuStaIn- ja ANN-luokituksen suorituskykyä he päättävät sopivimman lähestymistavan tehtävään. Lisäksi he soveltavat standardinmukaisia ​​mittasuhteiden vähentämistekniikoita erottaakseen tärkeimmät piirteet ja toistavat edellä kuvatun menettelyn arvioidakseen, onko mahdollista saavuttaa samat tulokset seulontamäärien osajoukolla.

Valittua lähestymistapaa toistetaan sitten PREVIEW:n aikana rekrytoiduille uusille potilaille ja niille, joita seurataan projektin aikana. Ainoa ero on analyysiin sisältyvä uusi joukko tekijöitä, mukaan lukien kaikki ensimmäisessä versiossa käytetyt tiedot, mutta myös BDNF, CSF-biomarkkerit ja uudet ominaisuudet, jotka on erotettu lepotilan EEG-tallenteista ja ERP:stä. Tämä edellyttää toisen multimodaalisen mittarin määrittämistä kaikille ominaisuuksille ja sitä seuraavaa koneoppimisverkoston uudelleenmuotoilua ja uudelleenkoulutusta. Kuten edellä on kuvattu, myös algoritmin toiselle versiolle tutkijat pyrkivät määrittelemään optimaalisen suorituskyvyn saavuttavien ominaisuuksien vähimmäisjoukon. Algoritmin lopullinen tulos antaa ennusteen kunkin potilaan tilan kehityksestä hänen täydellisen profiilinsa perusteella.