[論文レビュー] Learning the progression and clinical subtypes of Alzheimer's disease from longitudinal clinical data

Vipul Satone, Rachneet Kaur+4 more|arXiv (Cornell University)|Dec 3, 2018

Dementia and Cognitive Impairment Research参考文献 13被引用数 5

ひとこと要約

本研究では、ADNIコhortの縦断的臨床データを用いて、非教師ありおよび教師あり機械学習を適用し、アルツハイマー病（AD）の進行サブタイプを同定し、個々の患者の進行予測を行う。次に、次元削減に非負値行列分解（NMF）を、クラスタリングに混合ガウスモデル（GMM）を適用することで、低、中程度、高の進行領域を有する2次元の進行空間を定義し、24か月および48か月後の臨床ステージを高いAUCスコアで正確に予測可能であることを示した。

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.

研究の動機と目的

• 縦断的臨床データから、アルツハイマー病の臨床的異質性に対処し、明確に区別できる進行サブタイプを同定すること。
• 疾患進行を離散的ステージではなく連続的な空間としてモデル化する機械学習フレームワークを構築すること。
• ベースラインから24か月および48か月後の認知症、MCI、対照群状態への個別患者の進行を予測すること。
• 再帰的パターンとAPOE4などの遺伝的リスク因子を分析することで、進行空間の妥当性を検証すること。
• 正確でデータ駆動型の進行モデルにより、個別化された臨床的カウンセリングと臨床試験設計の改善を可能にすること。

提案手法

• 218個の臨床的特徴量を2次元の進行空間に次元削減するために、ランク2の非負値行列分解（NMF）を適用し、マルチモーダルなトレンドを保持した。
• 最適なクラスタリングを特定するため、ベイジアン情報基準（BIC）を用いた混合ガウスモデル（GMM）を用いた。
• 24か月および48か月後の将来的な臨床状態（対照群、MCI、認知症）を予測するため、ランダムフォレストを採用した。
• ドメイン固有の補完、カテゴリカル変数のワンホットエンコーディング、最小-最大正規化を含むデータ前処理を実施した。
• 患者の進行経路を2次元の進行空間上にプロットし、疾患ステージの遷移や再帰的パターンを可視化した。
• 進行空間におけるAPOE4遺伝子型の影響を評価するため、プロット上でのデータポイントをAPOE4バリアント数（0、2）で色分けした。

実験結果

リサーチクエスチョン

• RQ1 縦断的臨床データを用いて、連続的かつ解釈可能なアルツハイマー病の進行空間を定義できるか？
• RQ2 進行速度と認知機能低下に基づいて、アルツハイマー病の明確な臨床的サブタイプは何か？
• RQ3 機械学習モデルは、2年先の個別患者の臨床ステージ（対照群、MCI、認知症）を正確に予測できるか？
• RQ4 再帰的パターン（例：認知症からMCIへの逆転）は、提案された進行空間と整合的か？
• RQ5 APOE4遺伝子型は、進行空間内の位置づけとどの程度相関しているか？

主な発見

• NMFを用いた進行空間は、低、中程度、高の進行領域という臨床的に明確に区別できる3つの領域を示し、成功裏に定義された。
• ランダムフォレストモデルは、将来的な臨床状態の予測において高い精度を示し、24か月および48か月の両予測で強力な性能を示すAUCスコアを達成した。
• 認知症からMCI、MCIから対照群への再帰的ケースは、進行空間の中央部に一貫して位置しており、その妥当性が裏付けられた。
• 2つのAPOE4バリアントを有する患者は、主に中程度から高の進行領域に位置しており、既知の遺伝的リスク要因と整合的であった。
• 対照群は年齢の増加に伴い自然な老化に起因する変化により、中程度の進行領域にシフトする傾向を示した。この領域に近いクラスタの平均年齢は75.25歳であり、進行が少ないクラスタの平均年齢70.75歳と比較した。
• 進行空間モデルは、MCIに至らないほど深刻でない軽度の認知機能低下を捉えており、初期段階で病理的でない変化の感受性を示した。