Терминология
Прогрессирующий надъядерный паралич (ПНП) — это поздно проявляющееся дегенеративное заболевание, сопровождающееся постепенным ухудшением состояния и гибелью определенных объемов мозга. Состояние приводит к таким симптомам, как потеря равновесия, замедление движений, затрудненное движение глаз и когнитивные нарушения. ПСП можно ошибочно принять за другие нейродегенеративные заболевания, такие как болезнь Паркинсона, лобно-височная деменция и болезнь Альцгеймера. Причина этого состояния неясна, но связана с накоплением тау-белка в головном мозге. В некоторых случаях могут быть полезны такие препараты, как леводопа и амантадин.
Кортикобазальный синдром (КБС) представляет собой редкий, прогрессирующий атипичный синдром паркинсонизма и представляет собой таупатию, связанную с лобно-височной деменцией. CBS обычно вызывается отложением тау-белков, образующихся в различных областях мозга.
Морфометрия на основе вокселей (VBM) – это вычислительный подход к нейроанатомии, который измеряет различия в локальных концентрациях мозговой ткани посредством сравнения нескольких изображений мозга по вокселям.
Магнитно-резонансная томография (МРТ) — это метод медицинской визуализации, используемый в радиологии для формирования изображений анатомии и физиологических процессов в организме. МРТ-сканеры используют сильные магнитные поля, градиенты магнитного поля и радиоволны для создания изображений органов тела. МРТ не предполагает рентгеновских лучей или использования ионизирующего излучения, что отличает ее от КТ и ПЭТ. МРТ — это медицинское применение ядерного магнитного резонанса (ЯМР), которое также можно использовать для визуализации в других приложениях ЯМР, таких как ЯМР-спектроскопия.
Целевые ограничения
Это исследование направлено на устранение следующих 4 целевых ограничений, присутствующих в предыдущих исследованиях, основанных на визуализации.
(1) Несбалансированные наборы данных: группы с плохим соответствием по возрасту или клиническим показателям, а также в значительной степени различающиеся размеры больных и контрольных групп.
(2) Произвольный признак отбор: для моделирования использовался плохо мотивированный и неубедительно объясненный выбор признаков.
(3) Валидация результатов: из-за ограниченного размера исследований один субъект может быть использован для как для обучения, так и для проверки.
(4) Устранение смещения уровней движения: движение головы приводит к артефактам и сглаживанию собранных данных МРТ.
Методы
С учетом вышеупомянутых ограничений в исследовании были разработаны специальные методы для их устранения, как описано ниже.
(1, 3, 4) Сбалансированные наборы данных, независимый набор для проверки и корректировка уровней движения:
Балансировка набора данных и подготовка набора для проверки наглядно показаны на рисунке 1. Корректировка уровней движения достигается путем применения SPM12 к трехмерным изображениям быстрого градиентного эха (MPRAGE), подготовленным намагничиванием, а также путем применения FSL eddy_correct к данным диффузионной МРТ.
(2) Автоматический выбор признаков сигналов серого и белого вещества: тестируются 2 подхода —
(а) интересующие области коры и подкорки из Гарвардско-Оксфордского атласа
(b) анализ главных компонентов (PCA)
Таким образом, общий конвейер можно резюмировать, как показано на рисунке 2.
Полученные результаты
Основные результаты, представляющие интерес, показаны на рис. 3. На нем показана высокая точность перекрестной проверки предсказания SVM, обученной на функциях МРТ, которая существенно снижается для функций PCA. но в меньшей степени для функций ROI при тестировании на независимом наборе тестов. Это понятно, если PCA выполнялся независимо для набора перекрестной проверки и набора независимой проверки, поскольку PCA находит собственные векторы, используя все предоставленные точки данных, в то время как ROI не имеет такой проблемы. Одной из идей улучшения может быть вычисление основных осей с помощью PCA в наборе перекрестной проверки и проецирование набора независимых тестов напрямую на эти измерения вместо повторного применения PCA. на тестовом наборе. Это должно гарантировать, что точки тестовых данных попадают в то же низкоразмерное пространство, что и набор для обучения и проверки, и, следовательно, потенциально улучшить производительность модели.
Более того, хотя эта статья доказывает классификационную способность статистической модели, обученной на более сбалансированном наборе данных, в ней не проводилось прямого сравнения между несмещенной моделью и предвзятой моделью. Таким образом, еще одной идеей будущей работы будет применение методов повышения дискретизации или понижения дискретизации для построения несбалансированного набора данных из сбалансированного и сравнения производительности модели после обучения одной и той же модели на разных наборах данных. соответствующее понимание обобщаемости.
[1] Коррейя, Марта М. и др. «На пути к точной и объективной дифференциации болезни Паркинсона, прогрессирующего надъядерного паралича и кортикобазального синдрома на основе изображений». Мозговые коммуникации 2.1 (2020): fcaa051.
[2] де Ланге Э.Э., Мюглер Дж.П. 3-й, Бертолина Дж.А., Гей С.Б., Янус С.Л., Брукман Дж.Р. МРТ печени с быстрым градиентным эхом (MP-RAGE) с намагничиванием: сравнение со спин-эхо. Магнитно-резонансная томография. 1991;9(4):469–76. doi: 10.1016/0730–725x(91)90031-g. PMID: 1779716.
