Kombinierte Erkennung funktioneller und struktureller Diskonnektionsmuster bei der Alzheimer-Krankheit mittels multimodaler MRT und maschineller Lernverfahren

• Published in: Klinische Neurophysiologie
• Main Authors: Dyrba, M, Grothe, M, Kirste, T, Teipel, S
• Format: Conference Proceeding
• Language: German
• Published: 12.03.2014
• ISSN: 1434-0275; 1439-4081
• DOI: 10.1055/s-0034-1371316

Einleitung: Die funktionelle Magnetresonanztomografie im Ruhezustand (Ruhe-fMRT) und die Diffusions-Tensor-Bildgebung (DTI) gestatten Rückschlüsse auf die funktionellen und strukturellen Verbindungen im menschlichen Gehirn. Aktuelle Studien zeigen eine Abnahme der Integrität der Fasertrakte der weißen Substanz bei der Alzheimer-Krankheit (AD), die mit Veränderungen der funktionellen Konnektivität zwischen räumlich getrennten Hirnregionen einhergeht. Die automatisierte Erkennung AD-assoziierter funktioneller und struktureller Diskonnektionsmuster mittels maschineller Lernverfahren birgt ein hohes Potential für die MRT-gestützte AD-Diagnostik. Methode: Im Rahmen der Studie wurden 28 Patienten mit klinisch diagnostizierter AD sowie 28 gesunde Kontrollen gleichen Alters und Geschlechts rekrutiert und umfangreich klinisch sowie neuropsychologisch charakterisiert. Von allen AD-Patienten liegt ein Nachweis von Neurodestruktionsmarkern in der Zerebrospinalflüssigkeit vor. Als Maß für das individuelle Muster der funktionellen Netzwerk-Konnektivität wurde aus den Ruhe-fMRT-Scans für jeden Probanden eine Korrelationsmatrix des spontanen Aktivitätsverlaufs zwischen 200 funktionell definierten Hirnregionen berechnet und anschließend der lokale Clustering-Koeffizient für jede Region bestimmt. Aus den DTI-Scans wurden die mittleren Diffusionswerte der fraktionellen Anisotropie, der mittleren Diffusivität und des Modus der Diffusivität für 48 Hauptfasertrakte des menschlichen Gehirns bestimmt. Zusätzlich wurde das mittlere Volumen der grauen Substanz in 116 anatomischen Regionen berechnet. Auf diese Daten wurde der maschinelle Lernalgorithmus Support Vector Machine (SVM) angewandt und mittels Kreuzvalidierung die mittlere Klassifikationsrate des Verfahrens bestimmt. Ergebnisse und Schlussfolgerung Mit der automatisierten Mustererkennung der Einzelmodalitäten konnten wir eine Klassifikationsrate von 66% für die Unterscheidung anhand der funktionellen Konnektivität erzielen und 79% für die Kennwerte der strukturellen Faserintegrität sowie 89% für die Regionen der grauen Substanz. Durch die Kombination aller drei Modalitäten wurde eine Güte von 88% erreicht. Dabei lieferten die Veränderungen der Clustering-Koeffizienten weitreichender frontaler, temporaler und parietaler Assoziationsareale; die Diffusionswerte der Fasertrakte des Temporallappens, des posterioren Cingulums und der Fornix sowie das Volumen der Regionen im mittleren Temporallappen besonders wertvolle Informationen zur Gruppenunterscheidung. Der paarweise Vergleich der SVM-Entscheidungen für jeden Probanden zeigt, dass die Information des Volumens der grauen Substanz die Entscheidung wesentlich bestimmt.