[論文レビュー] Brain structural connectivity atrophy in Alzheimer's disease

Nicola Amoroso, Marianna La Rocca+5 more|arXiv (Cornell University)|Sep 7, 2017

Functional Brain Connectivity Studies参考文献 35被引用数 12

ひとこと要約

本研究では、脳を3000 mm³のパッチに分割し、対応する相関を計算することで、アルツハイマー病における脳構造的結合の萎縮をモデル化するマルチプレックスネットワークフレームワークを提案する。この手法は、アルツハイマー病患者を識別する際86%の精度を達成し、軽度認知障害を示す被験者でアルツハイマー病に移行する者を同定する際も84%の精度を示し、解剖学的事前知識を用いない従来のボクセルベースモルフォメトリの感度を上回る。

ABSTRACT

Analysis and quantification of brain structural changes, using Magnetic resonance imaging (MRI), are increasingly used to define novel biomarkers of brain pathologies, such as Alzheimer's disease (AD). Network-based models of the brain have shown that both local and global topological properties can reveal patterns of disease propagation. On the other hand, intra-subject descriptions cannot exploit the whole information context, accessible through inter-subject comparisons. To address this, we developed a novel approach, which models brain structural connectivity atrophy with a multiplex network and summarizes it within a classification score. On an independent dataset multiplex networks were able to correctly segregate, from normal controls (NC), AD patients and subjects with mild cognitive impairment that will convert to AD (cMCI) with an accuracy of, respectively, $0.86 \pm 0.01$ and $0.84 \pm 0.01$. The model also shows that illness effects are maximally detected by parceling the brain in equal volumes of $3000$ $mm^3$ ("patches"), without any $a$ $priori$ segmentation based on anatomical features. A direct comparison to standard voxel-based morphometry on the same dataset showed that the multiplex network approach had higher sensitivity. This method is general and can have twofold potential applications: providing a reliable tool for clinical trials and a disease signature of neurodegenerative pathologies.

研究の動機と目的

• アルツハイマー病における脳構造的結合の萎縮を、データ駆動的かつ解剖学的バイアスのない方法で定量化すること。
• 標準的なボクセルベースモルフォメトリを上回る感度で、神経変性の初期変化を検出すること。
• ネットワークベースの特徴を用いて、アルツハイマー病および前駆症状の段階における被験者間の正確な分類を可能にすること。
• 頑健な萎縮パターンの検出に最適なパッチサイズおよび類似度尺度を特定すること。

提案手法

• 脳を3000 mm³の長方形パッチに分割し、マルチプレックスネットワークのノードとして使用する。
• パッチ強度時系列間のペアワイズピアソン相関係数を計算して、ネットワークのエッジを定義する。
• マルチプレックスネットワーク構造により、被験者間でノードをアライメントすることで空間的対応関係を保持し、被験者間比較を可能にする。
• ランダムフォレスト分類を用いて、正常対照群、アルツハイマー病患者、軽度認知障害を示す被験者でアルツハイマー病に移行する者を区別する。
• しきい値設定と複数の類似度尺度（ピアソン相関、相互情報量、MSD、ヘルンガー、コルモゴロフ＝スミルノフ、t検定）を評価し、ネットワーク構築の最適化を図る。
• 性能は、アルツハイマー病神経画像行動研究計画（ADNI）の独立したデータセットで検証された。

実験結果

リサーチクエスチョン

• RQ1 パッチ単位の構造的結合に基づくマルチプレックスネットワークモデルは、標準的なボクセルベースモルフォメトリに比べ、アルツハイマー病における萎縮パターンをより感受性高く検出できるか？
• RQ2 事前に定義された解剖学的領域に依存せずに、疾患関連の萎縮パターンを捉えるために最適なパッチサイズは何か？
• RQ3 類似度尺度（例：ピアソン相関、相互情報量）の中で、ネットワーク内で疾患関連の結合パターンを最もよく保持するのはどれか？
• RQ4 しきい値の選定が、マルチプレックスネットワークフレームワークにおける分類精度にどのように影響するか？
• RQ5 このモデルは、正常対照群、アルツハイマー病患者、およびアルツハイマー病に移行する可能性のある軽度認知障害を示す被験者を信頼性高く区別できるか？

主な発見

• マルチプレックスネットワーク手法は、正常対照群とアルツハイマー病患者を区別する分類精度が86% ± 0.01に達した。
• 軽度認知障害を示す被験者でアルツハイマー病に移行する者を同定する際の精度は84% ± 0.01に達した。
• 相関に基づくエッジ構築の最適しきい値は0.3であった。これはノイズ低減と情報保持のバランスを取るために最適であった。
• ピアソン相関と相互情報量が最も優れた性能を示し、分類精度88%、感度90%を達成した。
• 3000 mm³のパッチサイズが最良のパフォーマンスを示し、他のサイズを上回り、解剖学的セグメンテーションの必要性を排除した。
• 同じデータセット上で、標準的なボクセルベースモルフォメトリに比べて感度が高く、微細な萎縮パターンの検出が向上した。