[논문 리뷰] Brain structural connectivity atrophy in Alzheimer's disease

Nicola Amoroso, Marianna La Rocca외 5명|arXiv (Cornell University)|2017. 09. 07.

Functional Brain Connectivity Studies참고 문헌 35인용 수 12

한 줄 요약

이 연구는 뇌를 3000 mm³ 크기의 조각으로 분할하고 상관관계를 계산하여 이질적인 환자 간 변동성을 캡처함으로써 알츠하이머병에서 뇌 구조적 연결성 위축을 모델링하는 복합 네트워크 프레임워크를 제안한다. 이 방법은 표준 볼륨 기반 형태측정법보다 민감도가 높아 알츠하이머병 환자를 식별할 때 86%의 정확도를 달성하였고, 경도 인지장애를 보이는 환자 중 알츠하이머병으로 진행될 가능성이 있는 환자를 식별할 때도 84%의 정확도를 기록하였다.

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.

연구 동기 및 목표

• 알츠하이머병에서 뇌 구조적 연결성 위축을 정량화하기 위한 데이터 기반이며 해부학적 편향이 없는 방법을 개발한다.
• 표준 볼륨 기반 형태측정법을 초월하여 조기 신경퇴행성 변화를 감지하는 민감도를 향상시킨다.
• 네트워크 기반 특징을 사용하여 알츠하이머병 및 전구단계를 정확하게 환자 간 분류할 수 있도록 한다.
• 강건한 위축 패턴 탐지에 최적의 패치 크기와 유사도 측정법을 규명한다.

제안 방법

• 뇌는 3000 mm³ 크기의 직육면체 패치로 분할되어 복합 네트워크의 노드로 사용된다.
• 패치 강도 시계열 간의 상관관계 계수를 계산하여 네트워크 간선을 정의한다.
• 복합 네트워크 구조는 환자 간 비교를 가능하게 하며, 노드를 서로 정렬함으로써 공간적 대응을 유지한다.
• 무작위 숲 분류기를 사용하여 정상 대조군, 알츠하이머병 환자, 경도 인지장애에서 진행되는 환자를 구분한다.
• 임계값 설정과 다수의 유사도 측정법(피어슨 상관계수, 상호정보량, MSD, 헬링거 거리, 콜모고로프-스미르노프 검정, t-검정)을 평가하여 네트워크 구축을 최적화한다.
• 성능는 알츠하이머병 신경영상연구기구(ADNI)의 독립된 데이터셋에서 검증되었다.

실험 결과

연구 질문

• RQ1 패치 기반의 구조적 연결성에 기반한 복합 네트워크 모델은 표준 볼륨 기반 형태측정법보다 알츠하이머병에서 위축 패턴을 더 민감하게 탐지할 수 있는가?
• RQ2 사전 정의된 해부학적 영역에 의존하지 않고 질병 관련 위축 패턴을 포착하기 위한 최적의 패치 크기는 무엇인가?
• RQ3 어느 유사도 측정법(예: 피어슨 상관계수, 상호정보량)이 네트워크에서 질병 관련 연결성 패턴을 가장 잘 유지하는가?
• RQ4 임계값 선택은 복합 네트워크 프레임워크에서 분류 정확도에 어떤 영향을 미치는가?
• RQ5 이 모델은 정상 대조군, 알츠하이머병 환자, 그리고 알츠하이머병으로 진행될 가능성이 있는 경도 인지장애 환자를 신뢰성 있게 구별할 수 있는가?

주요 결과

• 복합 네트워크 접근법은 정상 대조군과 알츠하이머병 환자를 구별하는 데 86% ± 0.01의 분류 정확도를 달성하였다.
• 경도 인지장애를 보이는 환자 중 알츠하이머병으로 진행될 가능성이 있는 환자를 식별하는 데도 84% ± 0.01의 정확도를 기록하였다.
• 상관계수 기반 간선 구축에 최적의 임계값은 0.3으로, 노이즈 감소와 정보 유지 간 균형을 이룬다.
• 피어슨 상관계수와 상호정보량이 가장 높은 성능을 보였으며, 각각 88%의 정확도와 90%의 민감도를 기록하였다.
• 3000 mm³ 패치 크기가 가장 우수한 성능를 보였으며, 다른 크기보다 뛰어나고 해부학적 분할이 필요 없음을 확인하였다.
• 동일한 데이터셋에서 표준 볼륨 기반 형태측정법보다 높은 민감도를 보이며 미세한 위축 패턴 탐지 능력 향상을 시사하였다.