[논문 리뷰] A deep learning model for early prediction of Alzheimer's disease dementia based on hippocampal MRI

Hongming Li, Mohamad Habes외 2명|arXiv (Cornell University)|2019. 04. 15.

Machine Learning in Healthcare참고 문헌 2인용 수 6

한 줄 요약

이 연구는 경도 인지 장애(MCI)를 가진 환자의 해마 MRI 영상 자료를 이용해 알츠하이머병 치매 진행을 예측하는 딥러닝 모델을 개발한다. 이 모델은 ADNI 코hort에서 C-index 0.762, AIBL 코hort에서 0.781의 성능을 기록하였으며, 임상적 측정치와 조합할 경우 성능이 향상되어 C-index=0.864에 도달하였다. 이는 정확하고 비용 효율적인 예후 및 임상 시험 대상자 선별을 가능하게 한다.

ABSTRACT

Introduction: It is challenging at baseline to predict when and which individuals who meet criteria for mild cognitive impairment (MCI) will ultimately progress to Alzheimer's disease (AD) dementia. Methods: A deep learning method is developed and validated based on MRI scans of 2146 subjects (803 for training and 1343 for validation) to predict MCI subjects' progression to AD dementia in a time-to-event analysis setting. Results: The deep learning time-to-event model predicted individual subjects' progression to AD dementia with a concordance index (C-index) of 0.762 on 439 ADNI testing MCI subjects with follow-up duration from 6 to 78 months (quartiles: [24, 42, 54]) and a C-index of 0.781 on 40 AIBL testing MCI subjects with follow-up duration from 18-54 months (quartiles: [18, 36,54]). The predicted progression risk also clustered individual subjects into subgroups with significant differences in their progression time to AD dementia (p<0.0002). Improved performance for predicting progression to AD dementia (C-index=0.864) was obtained when the deep learning based progression risk was combined with baseline clinical measures. Conclusion: Our method provides a cost effective and accurate means for prognosis and potentially to facilitate enrollment in clinical trials with individuals likely to progress within a specific temporal period.

연구 동기 및 목표

• 경도 인지 장애(MCI)를 가진 환자에서 뇌영상 자료를 이용해 알츠하이머병 치매의 조기 예측을 향상시키기 위해.
• 해마 MRI 기반으로 개인의 치매 진행 위험을 추정하는 시간-이벤트 딥러닝 모델을 개발하기 위해.
• 다양한 추적 관찰 기간을 가진 독립된 데이터셋(ADNI 및 AIBL)에서 모델의 성능을 검증하기 위해.
• 딥러닝 기반 위험 점수와 기초 임상 측정치의 조합이 예측 정확도에 기여하는지 평가하기 위해.
• 조기 단계 알츠하이머병을 대상으로 하는 임상 시험을 위한 더 정확하고 비용 효율적인 환자 분류를 가능하게 하기 위해.

제안 방법

• 2146명의 환자에서 취득한 T1-가중 MRI 영상 자료를 이용해 해마 영역에 대해 딥 신경망을 학습하였으며, 이 중 803명은 학습용, 1343명은 검증용으로 사용하였다.
• 모델은 MCI 환자에서 알츠하이머병 치매로의 진행까지의 시간을 예측하기 위해 시간-이벤트 학습 프레임워크를 사용한다.
• 모델의 아키텍처는 뇌신경 퇄화와 관련된 해마의 형태 및 부피 변화와 관련된 계층적 특징을 학습한다.
• 모델 성능 평가에는 시간-이벤트 예측에 표준적으로 사용되는 일치지수(C-index)를 사용한다.
• 모델는 APOE 유전자형, MMSE 점수 등 기초 임상 변수를 통합하여 예측 능력을 향상시킨다.
• 예측된 위험도 기반으로 하위군 군집 분석을 수행하여 진행 패턴의 시간적 이질성을 평가한다.

실험 결과

연구 질문

• RQ1 해마 MRI를 기반으로 학습된 딥러닝 모델이 MCI 환자에서 알츠하이머병 치매로의 진행까지의 시간을 정확히 예측할 수 있는가?
• RQ2 다른 추적 관찰 기간을 가진 독립된 코hort에서 모델의 성능는 어떻게 변할까?
• RQ3 딥러닝 기반 MRI 위험 점수와 임상 측정치를 조합하면 예측 정확도가 향상되는가?
• RQ4 모델은 생물학적으로 의미 있는 MCI 환자 하위군을 식별하고, 이들이 서로 다른 진행 경로를 보이는가?
• RQ5 이 모델이 조기 알츠하이머병을 대상으로 하는 임상 시험에서 효율적인 환자 선별을 얼마나 잘 지원할 수 있는가?

주요 결과

• 딥러닝 모델은 ADNI 코hort의 439명의 MCI 환자(추적 기간 6~78개월)에서 치매 진행 예측에 대해 C-index 0.762의 성능을 기록하였다.
• AIBL 코hort에서는 40명의 MCI 환자(추적 기간 18~54개월)에서 C-index 0.781의 성능을 기록하였다.
• 예측된 진행 위험도는 치매 발병까지의 시간에 있어 통계적으로 유의미한 차이를 보이는 MCI 환자 하위군으로 분류하는 데 성공하였다(p < 0.0002).
• 기초 임상 측정치와 조합할 경우 모델의 예측 성능이 유의미하게 향상되어 C-index 0.864에 도달하였다.
• 모델는 다양한 데이터셋에서 뛰어난 안정성을 보이며 조기 단계 알츠하이머병에서 정밀한 예후를 지원한다.
• 결과적으로 이 모델는 임상 시험의 대상자 증강 및 개인 맞춤형 예후에 비용 효율적인 도구로 활용될 수 있음을 시사한다.