[논문 리뷰] Learning the progression and clinical subtypes of Alzheimer's disease from longitudinal clinical data

Vipul Satone, Rachneet Kaur외 4명|arXiv (Cornell University)|2018. 12. 03.

Dementia and Cognitive Impairment Research참고 문헌 13인용 수 5

한 줄 요약

이 연구는 ADNI 코hort의 종단적 임상 데이터를 비지도 및 지도 기반 기계학습 기법을 활용하여 알츠하이머병 진행 상황의 고유한 하위 유형을 규명하고 개별 환자의 진행 경로를 예측한다. 차원 감소를 위해 비음수 행렬 분해(NMF)를, 군집화를 위해 가우시안 혼합 모델(GMM)을 적용함으로써 저도, 중도, 고도의 진행 상태 영역을 포함하는 2차원 진행 공간을 정의하여, 24개월 및 48개월 후의 임상 단계를 높은 AUC 점수로 정확하게 예측할 수 있었다.

ABSTRACT

Alzheimer's disease (AD) is a degenerative brain disease impairing a person's ability to perform day to day activities. The clinical manifestations of Alzheimer's disease are characterized by heterogeneity in age, disease span, progression rate, impairment of memory and cognitive abilities. Due to these variabilities, personalized care and treatment planning, as well as patient counseling about their individual progression is limited. Recent developments in machine learning to detect hidden patterns in complex, multi-dimensional datasets provides significant opportunities to address this critical need. In this work, we use unsupervised and supervised machine learning approaches for subtype identification and prediction. We apply machine learning methods to the extensive clinical observations available at the Alzheimer's Disease Neuroimaging Initiative (ADNI) data set to identify patient subtypes and to predict disease progression. Our analysis depicts the progression space for the Alzheimer's disease into low, moderate and high disease progression zones. The proposed work will enable early detection and characterization of distinct disease subtypes based on clinical heterogeneity. We anticipate that our models will enable patient counseling, clinical trial design, and ultimately individualized clinical care.

연구 동기 및 목표

• 종단적 임상 데이터로부터 알츠하이머병 진행 상황의 고유한 하위 유형을 규명하여 임상적 이질성을 해결한다.
• 질병 진행을 이산 단계가 아닌 연속적인 공간으로 모델링하는 기계학습 프레임워크를 개발한다.
• 기본선에서 24개월 및 48개월 후에 환자가 치매, MCI 또는 건강 상태에 도달할지를 예측한다.
• 재진행 패턴과 APOE4와 같은 유전자 위험 인자 분석을 통해 진행 공간의 탄력성을 검증한다.
• 정확한 데이터 기반 진행 모델링을 통해 개인 맞춤형 임상 상담 및 임상 시험 설계를 향상시킨다.

제안 방법

• 218개의 임상 특징을 2차원 진행 공간으로 압축하기 위해 질량 2인 비음수 행렬 분해(NMF)를 적용하여 다중 모달 트렌드를 유지한다.
• 최적의 환자 군집화를 위해 베이지안 정보 기준(BIC)을 사용한 가우시안 혼합 모델(GMM)을 활용한다.
• 24개월 및 48개월 후의 향후 임상 상태(정상, MCI, 치매) 예측을 위해 랜덤 포레스트를 활용한다.
• 도메인 특화의 누락치 보정, 범주형 변수의 one-hot 인코딩, 최소-최대 정규화를 포함한 데이터 전처리를 수행한다.
• 환자 진행 경로를 2차원 진행 공간에 투영하여 질병 단계 전환과 재진행 패턴을 시각화한다.
• 진행 공간 내에서 APOE4 유전자형의 영향을 분석하기 위해 데이터 포인트를 APOE4 변종 수(0, 2)로 색상 구분한다.

실험 결과

연구 질문

• RQ1 종단적 임상 데이터를 활용해 알츠하이머병에 대한 연속적이고 해석 가능한 진행 공간을 정의할 수 있는가?
• RQ2 진행 속도와 인지 기능 저하에 기반한 알츠하이머병의 고유한 임상 하위 유형은 무엇인가?
• RQ3 기계학습 모델이 개인의 임상 단계(정상, MCI, 치매)를 최소 2년 전에 정확하게 예측할 수 있는가?
• RQ4 재진행 패턴(예: 치매에서 MCI로의 전환)은 제안된 진행 공간과 어떻게 일치하는가?
• RQ5 APOE4 유전자형이 진행 공간 내 위치와 어느 정도 관련이 있는가?

주요 결과

• NMF를 활용한 진행 공간이 성공적으로 정의되었으며, 저도, 중도, 고도의 진행 상태 영역으로 구성된 임상적으로 구분 가능한 세 영역을 드러냈다.
• 랜덤 포레스트 모델은 향후 임상 상태 예측에 높은 정확도를 보였으며, 24개월 및 48개월 예측에서 강력한 성능을 나타내는 높은 AUC 점수를 기록했다.
• 재진행 사례(예: 치매에서 MCI, MCI에서 정상으로의 전환)는 진행 공간의 중간 영역에 일관되게 위치해 있어 공간의 탄력성을 검증했다.
• APOE4 이형접합체를 가진 환자는 주로 중도에서 고도의 진행 속도 영역에 분포해 있으며, 기존의 유전자 위험 연관성과 일치했다.
• 정상군은 연령 증가에 따라 자연스럽게 중도 진행 영역 쪽으로 이동하는 경향을 보였으며, 이 영역 근처 군집의 평균 연령은 75.25세였고, 진행 정도가 덜한 군집의 평균 연령은 70.75세였다.
• 진행 공간 모델은 MCI로 이르지 않을 정도로 경미한 인지 기능 저하를 감지하여 초기 비병리적 변화에 민감함을 보였다.