[論文レビュー] A deep learning model for early prediction of Alzheimer's disease dementia based on hippocampal MRI

Hongming Li, Mohamad Habes+2 more|arXiv (Cornell University)|Apr 15, 2019

Machine Learning in Healthcare参考文献 2被引用数 6

ひとこと要約

本研究では、軽度認知障害（MCI）を有する個々の症例に対して、海馬のMRIスキャンを用いてアルツハイマー病による dementia への進行を予測する深層学習モデルを開発した。このモデルは、ADNI コhort で C-index 0.762、AIBL コhort で C-index 0.781 の成績を示し、臨床的指標と組み合わせることで性能が向上（C-index=0.864）し、正確で費用対効果に優れた予後予測および臨床試験への被験者選抜予測が可能となった。

ABSTRACT

Introduction: It is challenging at baseline to predict when and which individuals who meet criteria for mild cognitive impairment (MCI) will ultimately progress to Alzheimer's disease (AD) dementia. Methods: A deep learning method is developed and validated based on MRI scans of 2146 subjects (803 for training and 1343 for validation) to predict MCI subjects' progression to AD dementia in a time-to-event analysis setting. Results: The deep learning time-to-event model predicted individual subjects' progression to AD dementia with a concordance index (C-index) of 0.762 on 439 ADNI testing MCI subjects with follow-up duration from 6 to 78 months (quartiles: [24, 42, 54]) and a C-index of 0.781 on 40 AIBL testing MCI subjects with follow-up duration from 18-54 months (quartiles: [18, 36,54]). The predicted progression risk also clustered individual subjects into subgroups with significant differences in their progression time to AD dementia (p<0.0002). Improved performance for predicting progression to AD dementia (C-index=0.864) was obtained when the deep learning based progression risk was combined with baseline clinical measures. Conclusion: Our method provides a cost effective and accurate means for prognosis and potentially to facilitate enrollment in clinical trials with individuals likely to progress within a specific temporal period.

研究の動機と目的

• 軽度認知障害（MCI）を有する個々の症例におけるアルツハイマー病による dementia への早期予測を改善すること。
• 海馬のMRIに基づいて、MCI患者のアルツハイマー病 dementia への進行リスクを個別に推定する時間に依存する深層学習モデルを構築すること。
• 異なる追跡期間を有する独立したデータセット（ADNI および AIBL）において、モデルの性能を検証すること。
• 深層学習に基づくリスクスコアとベースライン臨床的指標の組み合わせによる追加的価値を評価すること。
• 早期アルツハイマー病を標的にする臨床試験における、より正確で費用対効果に優れた被験者層の選別を可能にすること。

提案手法

• 2146名の被験者（訓練用803名、検証用1343名）の海馬のT1強調MRIスキャンを用いて、深層ニューラルネットワークを学習させた。
• モデルは、MCI被験者におけるアルツハイマー病 dementia への進行までの時間を予測するための時間に依存する学習フレームワークを採用した。
• モデルのアーキテクチャは、神経変性と関連する海馬の形状および体積変化から階層的な特徴を学習した。
• モデルの性能は、時間に依存する予測の標準指標であるコンcordance index（C-index）を用いて評価した。
• モデルは、APOE状態やMMSEスコアなどのベースライン臨床変数と統合され、予測力の向上を図った。
• 予測されたリスクのサブグループクラスタリングを実施し、進行パターンの時間的非均一性を評価した。

実験結果

リサーチクエスチョン

• RQ1 海馬のMRIに学習させた深層学習モデルは、MCI患者のアルツハイマー病 dementia への進行までの時間を正確に予測できるか？
• RQ2 異なる追跡期間を有する独立したコhortにおいて、モデルの性能はどのように変動するか？
• RQ3 深層学習に基づくMRIリスクスコアと臨床的指標を組み合わせることで、予測精度が向上するか？
• RQ4 モデルは、進行経路が明確に異なる生物学的に意味のあるMCI患者のサブグループを特定できるか？
• RQ5 このモデルは、早期アルツハイマー病を標的にする臨床試験における被験者選抜をどの程度効率的に支援できるか？

主な発見

• 深層学習モデルは、6か月から78か月の追跡期間を有する439例のADNI MCI被験者において、C-index 0.762 の成績を示した。
• AIBL コhort では、18か月から54か月の追跡期間を有する40例のMCI被験者において、C-index 0.781 を達成した。
• 予測された進行リスクは、統計的に有意な差（p < 0.0002）を示す dementia 発症までの時間に差をもつサブグループにMCI被験者を分類できた。
• ベースライン臨床的指標と組み合わせることで、モデルの予測性能が顕著に向上し、C-index 0.864 を達成した。
• モデルは多様なデータセットに対して高い頑健性を示し、早期アルツハイマー病における精度の高い予後予測を可能とした。
• 結果から、本モデルは臨床試験の被験者選抜のための費用対効果に優れたツールとして機能すると示唆された。