[논문 리뷰] A brain signature highly predictive of future progression to Alzheimer's dementia

Christian Dansereau, Angela Tam외 5명|arXiv (Cornell University)|2017. 12. 21.

Dementia and Cognitive Impairment Research참고 문헌 40인용 수 4

한 줄 요약

이 연구는 알츠하이머병 치매 환자에게서 학습된 기계학습 모델을 사용하여 구조적 위축과 기능적 이명제화를 조합한 뇌 서명을 고도로 예측 가능한 것으로 규명하였다. 이 서명은 3년 이내에 치매로 진행된 MCI 환자의 90%를 정확히 예측했으며, 기존 방법보다 뛰어나며 전조단계에서 임상 시험의 정밀한 환자 모집을 가능하게 한다.

ABSTRACT

Early prognosis of Alzheimer's dementia is hard. Mild cognitive impairment (MCI) typically precedes Alzheimer's dementia, yet only a fraction of MCI individuals will progress to dementia, even when screened using biomarkers. We propose here to identify a subset of individuals who share a common brain signature highly predictive of oncoming dementia. This signature was composed of brain atrophy and functional dysconnectivity and discovered using a machine learning model in patients suffering from dementia. The model recognized the same brain signature in MCI individuals, 90% of which progressed to dementia within three years. This result is a marked improvement on the state-of-the-art in prognostic precision, while the brain signature still identified 47% of all MCI progressors. We thus discovered a sizable MCI subpopulation which represents an excellent recruitment target for clinical trials at the prodromal stage of Alzheimer's disease.

연구 동기 및 목표

• 경증 인지 장애(MCI)에서 알츠하이머병 치매로의 진행을 예측할 수 있는 균일한 뇌 서명을 규명하는 것.
• 특히 고위험 MCI 하위군을 식별하는 데 있어 현재 최고 수준의 방법을 뛰어넘어 예후 정확도를 향상시키는 것.
• MCI 환자 중 치매로 진행할 가능성이 높은 사람들을 식별하여 임상 시험의 대상자 모집을 보다 정밀하게 수행하는 것.
• 단지 구조적 및 기능적 MRI 데이터만을 사용하여 이 서명을 탐지할 수 있는 기계학습 프레임워크를 개발하는 것.

제안 방법

• 두 단계 기계학습 프레임워크를 개발하였다: 먼저, 구조적 MRI(sMRI) 및 기능적 MRI(fMRI) 특징을 기반으로 알츠하이머병 치매의 하위형질을 희소 로지스틱 회귀를 통해 식별하였다.
• 모델은 내재된 10등분 교차검증을 사용하여 하이퍼파ram터를 최적화하고 일반화 능력을 추정하여 강력한 성능 추정을 보장하였다.
• 고예후서명(HPS)은 모델이 학습한 가중치에서 유도되었으며, 위축과 기능적 이명제화 패atters의 복합체를 나타내었다.
• HPS는 ADNI2 데이터셋의 MCI 코hort에 적용되어 기초 sMRI 및 fMRI 스캔을 사용하여 치매로의 진행을 예측하였다.
• 정밀도, 민감도, 특이도를 사용하여 성능을 평가하였으며, 통계적 유의성은 몬테카를로 시뮬레이션 및 p-값 추정을 통해 평가되었다.
• 순열 기반 p-값을 사용하여 HPS로 선별된 하위군의 치매 진행, AV45 양성 여부, ApoE4 상태에 대한 환자 모집의 향상을 테스트하였다.

실험 결과

연구 질문

• RQ1 위축과 기능적 이명제화를 통합한 뇌 서명이 기존 방법보다 더 높은 정밀도로 MCI 환자에서 향후 알츠하이머병 치매로의 진행을 예측할 수 있는가?
• RQ2 알츠하이머병 치매 환자에게서 학습된 기계학습 모델이 3년 이내에 90%의 진행률을 보이는 고위험 MCI 하위군을 일반화하여 식별할 수 있는가?
• RQ3 HPS 모델의 예측 성능이 이전 최고 수준의 모델들보다 유의미하게 뛰어나게 되는 정도는 어느 정도인가?
• RQ4 HPS로 선별된 MCI 하위군이 알츠하이머병 병리의 생물학적 생체지표인 AV45 양성 여부와 ApoE4 상태에서 유의미하게 높은 빈도로 나타나는가?
• RQ5 단일 영상 모odalities보다 sMRI와 fMRI 데이터만을 사용하는 다중 모odal 서명이 더 뛰어난 성능을 보일 수 있는가?

주요 결과

• HPS 모델은 서명을 가진 MCI 환자의 90%가 3년 이내에 알츠하이머병 치매로 진행된 것으로 예측하였으며, 이는 기존 방법보다 뚜렷이 뛰어난 성능을 보였다.
• MCI 진행 예측 정밀도가 90%에 도달하였으며, 유사한 기초 진행률 조건에서 문헌 범위인 50–75%를 뛰어넘었다.
• HPS 하위군은 치매 진행(p < 0.001), AV45 양성 여부(p < 0.001), ApoE4 상태(p < 0.001)에서 뚜렷이 높은 빈도로 나타나 생물학적 관련성이 높음을 시사했다.
• 모델의 성능은 기준 SVM 및 단일 모달리티 모델보다 뚜렷이 뛰어나 정밀도와 특이도가 높았으며(p < 0.001), 통계적으로 유의미했다.
• HPS 서명은 AV45 PET 또는 유전적 데이터를 사용하지 않고 유도되었으며, sMRI와 fMRI만으로도 고도로 예측 가능한 병리학적 서명을 포착할 수 있음을 보여주었다.
• 이 프레임워크는 치매 전조단계 임상 시험에 참여하기에 매우 적합한 MCI 하위군(모든 진행자 중 47%)을 식별하였다.