[論文レビュー] TADPOLE Challenge: Prediction of Longitudinal Evolution in Alzheimer's Disease

Razvan Marinescu, Neil P. Oxtoby+9 more|arXiv (Cornell University)|May 10, 2018

Dementia and Cognitive Impairment Research参考文献 23被引用数 100

ひとこと要約

この論文はTADPOLE Challengeの設計を説明する。5年間にわたるアルツハイマー病進行の確率的予測（臨床状態、ADAS-Cog13、脳室容積）をADNIデータで5年間にわたって行い、締切後の未来ロールオーバーで評価する設計を説明している。

ABSTRACT

The Alzheimer's Disease Prediction Of Longitudinal Evolution (TADPOLE) Challenge compares the performance of algorithms at predicting future evolution of individuals at risk of Alzheimer's disease. TADPOLE Challenge participants train their models and algorithms on historical data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) study or any other datasets to which they have access. Participants are then required to make monthly forecasts over a period of 5 years from January 2018, of three key outcomes for ADNI-3 rollover participants: clinical diagnosis, Alzheimer's Disease Assessment Scale Cognitive Subdomain (ADAS-Cog13), and total volume of the ventricles. These individual forecasts are later compared with the corresponding future measurements in ADNI-3 (obtained after the TADPOLE submission deadline). The first submission phase of TADPOLE was open for prize-eligible submissions between 15 June and 15 November 2017. The submission system remains open via the website: https://tadpole.grand-challenge.org, although since 15 November 2017 submissions are not eligible for the first round of prizes. This paper describes the design of the TADPOLE Challenge.

研究の動機と目的

• 臨床試験のコホート選択と予後判断を改善するために、アルツハイマー病進行の早期かつ正確な予測の必要性を動機づける。
• 臨床診断、ADAS-Cog13、脳室容積の3つの主要アウトカムを5年の見通しで予測する標準化された公開フレームワークを導入する。
• 予測提出後までテストデータを公開せず、テストにはロールオーバーADNIデータを用いることで、公平で偏りのない評価を提供する。

提案手法

• 参加者は歴史的なADNI由来データ（D1）および他の利用可能なデータセットでモデルを訓練する。
• 参加者はADNI-3ロールオーバー対象者について、5年間の3つのアウトカムの月次確率予測を提出する。
• 予測には確率的臨床状態（CN、MCI、AD）と、ADAS-Cog13および脳室容積の50%信頼区間を含む最善推定値を含める必要がある。
• 予測評価は締切後の未来測定値を用い、公正なテストを保証する。
• 2つの提出タイプがある：シンプル（少なくとも1つのターゲットを予測）とフル（D2の全対象について3つのターゲットをすべて予測）。
• 複数のデータセット（D1訓練、D2縦断予測、D3横断予測）を提供し、D4を未来のテストセットとする。）

実験結果

リサーチクエスチョン

• RQ1 1-5年にわたるAD進行を最もよく予測するデータ特徴とモデリング手法はどれか？
• RQ2 訓練データの選択（D1対カスタムデータ）および予測セット（D2対D3）によって予測はどう変化するか？
• RQ3 臨床状態、ADAS-Cog13、脳室容積の確率的予測は、未知の未来データに対して偏りのない性能比較を提供できるか？

主な発見

• このチャレンジは、臨床状態、ADAS-Cog13、脳室容積の3つの予測目標を、5年間にわたって定義している。
• 評価は締切後の未来データを用いて、公正な性能比較を保証する。
• 予測は確率的でなければならず、相対クラス確率の特定の形式および連続測定値の50%信頼区間を含む。
• 3つの標準データセット（D1、D2、D3）が提供され、カスタム訓練データと後処理を追加するオプションもある。
• 賞金構造（合計£30,000）は、臨床状態（mAUC）、ADAS-Cog13（MAE）、脳室容積（MAE）、および総合性能のベストを表彰する。大学チームと高校チームの部門を別々に設ける。