[論文レビュー] Assessing inter-modal and inter-regional dependencies in prodromal Alzheimer's disease using multimodal MRI/PET and Gaussian graphical models

Martin Dyrba, Reza Mohammadi+3 more|arXiv (Cornell University)|Mar 30, 2018

Functional Brain Connectivity Studies参考文献 67被引用数 2

ひとこと要約

本研究では、667例のADNI被験者からのマルチモodal MRI/PETデータを用いて、前臨床アルツハイマー病におけるアミロイドベータ、グルコース代謝、灰色 matter体積の間の領域間およびモダリティ間の依存関係を、ガウス型グラフィカルモデル（GGMs）を用いて分析した。画像モダリティ間の条件付き依存関係は最小限にとどまり、ネットワークトポロジーはクラスタリングと経路長に、二相性のu字型の軌跡を示し、モダリティ特異的領域ネットワークの存在を示唆するとともに、バイナリゼーションを要しないGGMsがクラスタリングツールとしての可能性を示した。

ABSTRACT

Several neuroimaging markers have been established for the early diagnosis of Alzheimer's disease, among them amyloid-beta deposition, glucose metabolism, and gray matter volume. Up to now, these imaging modalities were mostly analyzed separately from each other, and little is known about the regional interrelation and dependency of these markers. Gaussian graphical models (GGMs) are able to estimate the conditional dependency between many individual random variables. We applied GGMs for studying the inter-regional associations and dependencies between multimodal imaging markers in prodromal Alzheimer's disease. Data from N=667 subjects with mild cognitive impairment, dementia, and cognitively healthy controls were obtained from the ADNI. Mean amyloid load, glucose metabolism, and gray matter volume was calculated for each brain region. GGMs were estimated using a Bayesian framework and for each individual diagnosis, graph-theoretical statistics were calculated to determine structural changes associated with disease severity. Highly inter-correlated regions, e.g. adjacent regions in the same lobes, formed distinct clusters but included only regions within the same imaging modality. Hardly any associations were found between different modalities, indicating almost no conditional dependency of brain regions across modalities when considering the covariance explained by all other regions. Network measures clustering coefficient and path length were significantly altered across diagnostic groups, with a biphasic u-shape trajectory. GGMs showed almost no conditional dependencies between modalities when at the same time considering various other regions within the same modalities. However, this approach could be used as a clustering method to derive graph statistics in future studies omitting the need to binarize the network as currently being done for connections based on Pearson correlation.

研究の動機と目的

• 前臨床アルツハイマー病における主要な神経画像マーカー間の領域間およびモダリティ間の依存関係を調査すること。
• 診断群ごとの病態進行度に伴い、これらの依存関係がどのように変化するかを評価すること。
• バイナリゼーションを要しないガウス型グラフィカルモデル（GGMs）が、条件付き依存関係を捉える上で有効であるかを評価すること。
• マルチモダリティ画像マーカー（アミロイド、代謝、萎縮）が、脳領域全体にわたり有意な条件付き関連性を示すかどうかを検討すること。

提案手法

• 667例のADNI被験者（軽度認知障害、 dementia、健常対照群）のマルチモダリティMRI/PETデータを用い、アミロイド負荷、グルコース代謝、および灰色 matter体積の各領域平均値を抽出した。
• ガウス型グラフィカルモデル（GGMs）をベイジアンフレームワークを用いて推定し、他のすべての領域を制御した上で、脳領域間の条件付き依存関係を推定した。
• 各診断群に対して、クラスタリング係数および経路長を含むグラフ理論的統計量を計算し、ネットワークトポロジーの変化を評価した。
• 部分相関を用いて条件付き依存関係を評価した。これは、他の領域によって説明されない関係を隔離するものである。
• 接続ネットワークのバイナリゼーションを回避するため、連続的な部分相関推定値をグラフ統計の基礎として用いた。
• 診断群ごとのネットワーク変化を分析し、病態進行に関連する軌跡を同定した。

実験結果

リサーチクエスチョン

• RQ1 前臨床アルツハイマー病において、アミロイド、グルコース代謝、および灰色 matter体積の領域間依存関係は、脳領域によってどのように変化するか？
• RQ2 すべての他の脳領域を制御した場合、異なる神経画像モダリティ間で有意な条件付き依存関係が存在するか？
• RQ3 クラスタリング係数や経路長といったグラフ理論的ネットワーク特性は、前臨床アルツハイマー病の病態進行に伴いどのように変化するか？
• RQ4 GGMsは、接続閾値のバイナリゼーションを要しない脳ネットワークのクラスタリング手法として機能できるか？
• RQ5 マルチモダリティ脳イメージングマーカーにおいて、診断ステージに応じたネットワーク再編成のパターンは何か？

主な発見

• 高い相関を示す脳領域はクラスタを形成したが、これらは主に同じ画像モダリティ内に限定されており、モダリティ特異的領域ネットワークを示唆した。
• 異なる画像モダリティ間の条件付き依存関係は最小限にとどまり、他のすべての領域を制御した場合、あるモダリティの領域的変化が他のモダリティの変化に条件付きで依存しないことを示した。
• クラスタリング係数および経路長は、診断群にわたって二相性のu字型の軌跡を示し、病態進行に伴う非線形的ネットワーク変化を示した。
• GGMアプローチは、接続のバイナリゼーションを要せず、従来の相関に基づくネットワーク手法に比べてより洗練された代替手段を提供した。
• 領域間の関連性は、主に同じモダリティ内に強く、同じ側頭葉内の隣接領域同士で最も高い条件付き依存関係を示した。
• 結果から、マルチモダリティ画像マーカーは、前臨床アルツハイマー病において、ほとんど独立した領域経路を介して機能している可能性が示唆された。