[論文レビュー] A brain signature highly predictive of future progression to Alzheimer's dementia

Christian Dansereau, Angela Tam+5 more|arXiv (Cornell University)|Dec 21, 2017

Dementia and Cognitive Impairment Research参考文献 40被引用数 4

ひとこと要約

本研究では、アルツハイマー病の認知症患者を対象に訓練された機械学習モデルを用いて、構造的萎縮と機能的接続障害を組み合わせた、予測能が極めて高い脳サインを同定した。このサインは、3年以内に認知症に進行するMCI患者の90％を正しく予測した。これは現在の手法を著しく上回り、前駆症状期の臨床試験における正確な被験者選抜を可能にする。

ABSTRACT

Early prognosis of Alzheimer's dementia is hard. Mild cognitive impairment (MCI) typically precedes Alzheimer's dementia, yet only a fraction of MCI individuals will progress to dementia, even when screened using biomarkers. We propose here to identify a subset of individuals who share a common brain signature highly predictive of oncoming dementia. This signature was composed of brain atrophy and functional dysconnectivity and discovered using a machine learning model in patients suffering from dementia. The model recognized the same brain signature in MCI individuals, 90% of which progressed to dementia within three years. This result is a marked improvement on the state-of-the-art in prognostic precision, while the brain signature still identified 47% of all MCI progressors. We thus discovered a sizable MCI subpopulation which represents an excellent recruitment target for clinical trials at the prodromal stage of Alzheimer's disease.

研究の動機と目的

• 軽度認知障害（MCI）からアルツハイマー病の認知症に進行するのを予測できる一貫性のある脳サインを同定すること。
• 特に高リスクのMCIサブグループを特定する点で、現在の最先端の手法を上回る予後予測の正確性を向上させること。
• MCI患者のうち、認知症に進行する可能性が極めて高い者を同定することで、臨床試験における被験者選抜を促進すること。
• PETや遺伝子データに依存せずに、構造的MRI（sMRI）および機能的MRI（fMRI）のみを用いて、このサインを検出できる機械学習フレームワークの開発

提案手法

• 2段階の機械学習フレームワークを構築した：まず、構造的MRI（sMRI）および機能的MRI（fMRI）特徴を用いて、スパースなロジスティック回帰を用いてアルツハイマー病のサブタイプを同定した。
• ハイパーパramータの最適化と汎化性能の推定のため、ネストド10分割交差検証を用い、妥当な性能推定を保証した。
• 高い予後サインチャ（HPS）は、モデルが学習した重みから導出され、萎縮と機能的接続障害パターンの複合的特徴を表した。
• ADNI2データセットのMCIコhortにHPSを適用し、ベースラインのsMRIおよびfMRIスキャンを用いて、認知症への進行を予測した。
• 精度、感度、特異度を用いて性能を評価し、統計的有意性はモンテカルロシミュレーションおよびp値推定を用いて評価した。
• パーミュテーションベースのp値を用いて、HPSで選別されたサブグループの認知症への進行、AV45陽性、ApoE4状態の有意性を検証した。

実験結果

リサーチクエスチョン

• RQ1 萎縮と機能的接続障害を統合した脳サインは、現在の手法よりも高い正確性でMCI患者のアルツハイマー病への進行を予測できるか？
• RQ2 アルツハイマー病の認知症患者を対象に訓練した機械学習モデルは、3年以内に90％の進行率を示す高リスクMCIサブグループを同定するのに一般化可能か？
• RQ3 HPSモデルの予測性能は、先行する最先端モデルと比較して、MCI進行者を分類する点で顕著に優れているか？
• RQ4 HPSで選別されたMCIサブグループは、アルツハイマー病変のバイオマーカー（AV45陽性、ApoE4状態）に対して有意に豊富に含まれているか？
• RQ5 sMRIおよびfMRIデータのみを用いたマルチモodalサインは、単一の画像モodalitiyを用いたモデルを上回る性能を示すか？

主な発見

• HPSモデルは、サインを有するMCI患者の90％が3年以内にアルツハイマー病の認知症に進行したと予測した。これは、先行する手法を著しく上回った。
• MCI進行予測の精度は90％を達成したが、類似したベースライン進行率のもとで、文献範囲の50–75％を上回った。
• HPSサブグループは、認知症への進行（p < 0.001）、AV45陽性（p < 0.001）、ApoE4状態（p < 0.001）に対して有意に豊富に含まれており、強い生物学的関連性を示した。
• SVMベースラインおよび単一モダリティモデルと比較して、HPSモデルの性能は顕著に優れていた（p < 0.001）、精度および特異度の両方が高かった。
• AV45 PETや遺伝子データを一切使用せずに、HPSサインが導出された。これは、sMRIおよびfMRIのみで、極めて予測能の高い病理的サインを捉えることができることを示した。
• このフレームワークにより、大きなMCIサブ集団（全進行者のおよそ47％）が、前駆症状期アルツハイマー病臨床試験への参加に非常に適した対象として同定された。