[论文解读] A deep learning model for early prediction of Alzheimer's disease dementia based on hippocampal MRI

Hongming Li, Mohamad Habes+2 more|arXiv (Cornell University)|Apr 15, 2019

Machine Learning in Healthcare参考文献 2被引用 6

一句话总结

本研究开发了一种深度学习模型，利用海马体MRI扫描预测轻度认知障碍（MCI）个体阿尔茨海默病痴呆的疾病进展。该模型在ADNI队列中C指数为0.762，在AIBL队列中为0.781，当与临床指标结合时性能进一步提升（C指数=0.864），实现了准确、低成本的预后评估和临床试验受试者筛选。

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.

研究动机与目标

• 利用神经影像数据提高对轻度认知障碍（MCI）个体阿尔茨海默病痴呆的早期预测能力。
• 开发一种基于海马体MRI的时间-事件深度学习模型，以估计个体进展为AD痴呆的风险。
• 在独立数据集（ADNI和AIBL）上验证模型性能，这些数据集的随访时间不同。
• 评估将基于深度学习的风险评分与基线临床指标结合所带来的附加价值。
• 实现更准确且成本更低的临床试验患者分层，针对早期AD阶段的治疗干预。

提出的方法

• 在2146名受试者的海马体T1加权MRI扫描上训练深度神经网络，其中803例用于训练，1343例用于验证。
• 该模型采用时间-事件学习框架，预测MCI受试者进展为阿尔茨海默病痴呆的时间。
• 该架构从与神经退行性变相关的海马体形态和体积变化中学习分层特征。
• 使用一致性指数（C指数）评估模型性能，这是时间-事件预测的标准指标。
• 该模型整合基线临床变量（如APOE状态、MMSE评分）以提升预测能力。
• 对预测风险进行亚组聚类，以评估疾病进展模式的时间异质性。

实验结果

研究问题

• RQ1 基于海马体MRI训练的深度学习模型能否准确预测MCI患者进展为阿尔茨海默病痴呆的时间？
• RQ2 该模型在随访时间不同的独立队列中的表现如何变化？
• RQ3 将基于深度学习的MRI风险评分与临床指标结合是否能提升预测准确性？
• RQ4 该模型能否识别出具有不同进展轨迹的MCI患者生物学上意义明确的亚组？
• RQ5 该模型在支持针对早期AD的临床试验高效患者筛选方面具有多大潜力？

主要发现

• 该深度学习模型在439名随访时间6至78个月的ADNI队列MCI受试者中预测AD痴呆进展的C指数为0.762。
• 在AIBL队列中，该模型对40名随访时间18至54个月的MCI受试者的C指数为0.781。
• 预测的进展风险成功地将MCI受试者聚类为亚组，各亚组在痴呆发病时间上存在统计学上显著的差异（p < 0.0002）。
• 当与基线临床指标结合时，模型的预测性能显著提升，C指数达到0.864。
• 该模型在多样化数据集中表现出稳健性，支持早期阿尔茨海默病的精准预后。
• 结果表明，该模型可作为临床试验富集和个体化预后的低成本工具。