คุณสมบัติของสสารสีขาวผิวเผินเป็นตัวบ่งชี้ทางชีวภาพสําหรับการตรวจหาโรคอัลไซเมอร์และความบกพร่องทางสติปัญญาที่ไม่รุนแรง

ติดต่อ: emily.li@wecistanche.com

บาฮาเร บิกแฮม และคณะ

นามธรรม:

พื้นหลัง:

ด้วยการพัฒนาเครื่องมือถ่ายภาพและการประมวลผลทางการแพทย์การวินิจฉัยโรคที่แม่นยําเกิดขึ้นได้จากระบบอัจฉริยะ เนื่องจากความสามารถที่โดดเด่นของเครื่องเวกเตอร์สนับสนุน (SVMs) สําหรับการวินิจฉัยโรคจึงมีการวิจัยอย่างกว้างขวางโดยใช้อัลกอริทึม SVM สําหรับการจําแนกประเภทของอัลไซเมอร์โรค(AD) และความบกพร่องทางสติปัญญาที่ไม่รุนแรง (MCI)

วัตถุ ประสงค์:

ในการศึกษานี้เราใช้วิธีการอัตโนมัติเพื่อจําแนกผู้ป่วยด้วยอัลไซเมอร์โรคและ MCI และตัวแบบ MCI และการควบคุมสุขภาพ (HC) ตามคุณสมบัติการถ่ายภาพเทนเซอร์แบบกระจายแสง (DTI) ในสสารสีขาวผิวเผิน (SWM)

คน:

เพื่อจุดประสงค์นี้ข้อมูล DTI ถูกดาวน์โหลดจากไฟล์อัลไซเมอร์โรคความคิดริเริ่มในการสร้างภาพประสาท (ADNI) วิธีนี้ใช้ข้อมูล DTI จาก 72 วิชา: 24 วิชาที่มี HC, 24 วิชาที่มี MCI และ 24 วิชาที่มี AD

การวัด: การประมวลผล DTI ดําเนินการโดยใช้ซอฟต์แวร์ DSI Studio และการวิเคราะห์แมชชีนเลิร์นนิงทั้งหมดดําเนินการโดยใช้ซอฟต์แวร์ MATLAB

ผลลัพธ์:

เคอร์เนลเชิงเส้นของ SVM เป็นลักษณนามที่ดีที่สุดด้วยความแม่นยํา 95.8% ระหว่างอัลไซเมอร์โรคและกลุ่ม HC ตามด้วยเคอร์เนลกําลังสองของ SVM ด้วยความแม่นยํา 83.3% ระหว่างกลุ่ม MCI และ HC และเคอร์เนลเกาส์เซียนของ SVM ด้วยความแม่นยํา 83.3% ระหว่างกลุ่ม AD และ MCI สรุป: เมื่อพิจารณาถึงความสําคัญของการวินิจฉัย AD และ MCI รวมถึงบทบาทของสสารสีขาวผิวเผินในการวินิจฉัยโรค neurodegenerative ในการศึกษาครั้งนี้มีการกล่าวถึงคุณสมบัติของวิธีการ DTI ที่แตกต่างกันของ SWM ซึ่งอาจเป็นเครื่องมือที่มีประโยชน์ในการช่วยในการวินิจฉัย AD และ MCI

คําสําคัญ: สนับสนุนเครื่องเวกเตอร์, การถ่ายภาพเทนเซอร์การแพร่กระจาย,อัลไซเมอร์โรค, ความบกพร่องทางสติปัญญาเล็กน้อย, สสารสีขาวฟุ่มเฟือย

คลิกที่นี่เพื่อรับข้อมูลเพิ่มเติมเกี่ยวกับ Cistanche สําหรับโรคอัลไซเมอร์

1. บทนํา

เนื่องจากการเพิ่มขึ้นของประชากรสูงอายุการตรวจจับที่แม่นยําและมีประสิทธิภาพของโรคอัลไซเมอร์(AD) ได้กลายเป็นประเด็นสําคัญในสังคม [1] ความบกพร่องทางสติปัญญาที่ไม่รุนแรง (MCI) เป็นภาวะระหว่างการลดลงของความรู้ความเข้าใจที่เกี่ยวข้องกับอายุปกติและการลดลงอย่างรุนแรงของภาวะสมองเสื่อม เนื่องจากไม่มีวิธีรักษาแบบระบุสําหรับ MCI และมีความเสี่ยงสูงที่จะเกิดภาวะสมองเสื่อมการวินิจฉัยและการป้องกันโรคจึงมีความสําคัญมาก [2]

โรคความเสื่อมของระบบประสาทมักส่งผลกระทบต่อบางพื้นที่ของสมอง สสารสีขาวผิวเผิน (SWM) เป็นหนึ่งในภูมิภาคที่พบว่ามีความเสี่ยงสูงต่อโรคหลายชนิดตามแบบจําลองการย้อนยุค [3, 4] ในการศึกษานี้เราได้พัฒนาแบบจําลองเครื่องเวกเตอร์สนับสนุน (SVM) ที่จําแนกวิชา HC, MCI และ AD ตามคุณสมบัติของ SWM

เนื่องจากการพัฒนาเทคโนโลยีระบบอัตโนมัติในสาขาวิทยาศาสตร์การแพทย์ต่างๆ ระบบแมชชีนเลิร์นนิงช่วยให้แพทย์วินิจฉัยโรคได้โดยอัตโนมัติ [5] SVM เป็นเทคนิคแมชชีนเลิร์นนิงภายใต้การดูแลเป็นเครื่องมือที่ทรงพลังมากในการวิเคราะห์ข้อมูลขนาดใหญ่ [1]

เทคนิคการถ่ายภาพสมองได้รับการพิจารณาอย่างกว้างขวางว่ามีศักยภาพในการวินิจฉัยโรคสมอง การใช้เทคนิคเหล่านี้ปัญหาในสมองของมนุษย์สามารถระบุได้โดยไม่จําเป็นต้องมีการผ่าตัดระบบประสาทที่รุกราน ปัจจุบันมีการใช้เทคนิคการถ่ายภาพที่ปลอดภัยที่ได้รับการยอมรับหลายเทคนิคในศูนย์วิจัยและโรงพยาบาลทั่วโลก [6] การถ่ายภาพเทนเซอร์แบบกระจาย (DTI) เป็นเทคนิคการสร้างภาพระบบประสาทที่ใช้ MRI แบบใหม่ที่ช่วยให้การประเมินความสมบูรณ์ของเส้นใยเซลล์ประสาท [7]

การสร้างข้อมูล DTI ใหม่สามารถแบ่งออกเป็นสองประเภท: วิธีการแบบไม่มีแบบจําลองและแบบแบบจําลอง วิธีการตามแบบจําลองเช่นการสร้าง DTI ใหม่สันนิษฐานว่ารูปร่างของการกระจายน้ําเป็นไปตามรูปแบบเกาส์เซียน 3 มิติ แต่ไม่มีข้อสันนิษฐานเกี่ยวกับการกระจายในวิธีการแบบไม่มีแบบจําลองเช่นวิธีการสร้างใหม่ q-space diffeomorphic (QSDR) วิธี QSDR จะสร้างข้อมูลใหม่ในพื้นที่สถาบันประสาทวิทยามอนทรีออล (MNI) [8] ซอฟต์แวร์ DSI Studio (www. dsi-s tudio.labsolver.org) รองรับทั้งวิธีการสร้างใหม่ตามแบบจําลองและแบบไม่มีแบบจําลอง

การวัดที่แตกต่างกันได้มาจากวิธีการสร้าง DTI ใหม่ ซึ่งรวมถึงการแพร่กระจายค่าเฉลี่ย (MD), anisotropy เศษส่วน (FA), การแพร่กระจายตามแนวแกน (AxD) และการแพร่กระจายรัศมี (RD) การวัดตามความหนาแน่นที่ได้จากวิธีการสร้าง QSDR ได้แก่ anisotropy เชิงปริมาณ (QA), ค่าไอโซทรอปิก (ISO), การถ่ายภาพการแพร่กระจายแบบจํากัด (RDI) เป็นต้น

QA เป็นตัวชี้วัดเพื่อหาปริมาณประชากรสปินในทิศทางที่ระบุและแก้ไขประชากรเส้นใย (โดยเฉพาะเส้นใยข้าม) มาตราส่วน QA (QA) ปกติคํานวณโดยการปรับค่า QA สูงสุดให้เป็นปกติเป็นค่าเดียวเพื่อให้ QA สามารถเทียบเคียงกันได้มากขึ้นระหว่างวัตถุ [9]

RDI เป็นวิธีการหาปริมาณความหนาแน่นของการแพร่กระจายที่จํากัดตามช่วงการกระจัดแบบกระจาย (เช่น 10 ไมครอน) [10]

ความสามารถในการประมาณทิศทางหลักของการแพร่กระจายโดยใช้เทนเซอร์ยังทําให้เกิดเทคนิค tractography ซึ่งถูกนําไปใช้ในการคํานวณเมทริกซ์การเชื่อมต่อและการวัดเครือข่าย [11]

สมองถูกแสดงเป็นเครือข่ายที่ซับซ้อนซึ่งประกอบด้วยเซลล์ประสาทและบริเวณสมองที่มีโครงสร้างและการทํางานที่เกี่ยวข้อง เครือข่ายสมอง (หรือกราฟ) ประกอบด้วยโหนด (เป็นตัวแทนของเซลล์ประสาทหรือบริเวณสมอง) ที่เชื่อมต่อด้วยเส้น (การเชื่อมต่อระหว่างบริเวณสมอง) [12]

วิทยาศาสตร์เครือข่ายสามารถช่วยในการลดความซับซ้อนของสถาปัตยกรรมสมองวิเคราะห์และทําความเข้าใจรูปแบบการเชื่อมต่อของสมองและสามารถให้ข้อมูลเกี่ยวกับความผิดปกติทางคลินิก [13]

การวัดเครือข่ายรวมถึงความอนินทรีย์ประสิทธิภาพ PageRank ระหว่างเครือข่ายโลกขนาดเล็กและอื่น ๆ ใช้เพื่อทําความเข้าใจโครงสร้างและหน้าที่ของสมองมนุษย์ในฐานะเครือข่าย [14]

มีการศึกษาเพียงไม่กี่ชิ้นเท่านั้นที่ใช้วิธีการวิเคราะห์ที่แตกต่างกัน เช่น ภูมิภาคที่สนใจ (ROI) ระบบทางเดิน และการเชื่อมต่อและเครือข่ายทั้งในการฟื้นฟู DTI และ QSDR เราใช้เทคนิค SVM ตามคุณสมบัติที่สกัดจากสสารสีขาวผิวเผินโดยวิธีการวิเคราะห์ที่กล่าวถึงข้างต้นสําหรับการตรวจจับไบนารีอัตโนมัติของ ADand MCI, AD และ HC และ MCI และ HC

2. วัสดุและวิธีการ

ข้อมูลที่นําเสนอในบทความนี้ถูกดึงมาจากวิทยานิพนธ์ M.Sc และได้รับการตรวจสอบและอนุมัติโดยคณะกรรมการจริยธรรมของมหาวิทยาลัยวิทยาศาสตร์การแพทย์มัชฮัด (หมายเลขจริยธรรม: IR. คุณแม่. ทางการแพทย์ REC.1397.320).

ขั้นตอนมีดังนี้:

2.1. การได้มาซึ่งข้อมูล

ข้อมูลของผู้เข้าร่วม 72 คนจากทั้งสามกลุ่มถูกดาวน์โหลดมาจากอัลไซเมอร์โรคฐานข้อมูลความคิดริเริ่มด้านระบบประสาท (ADNI) วิชาของการศึกษานี้รวมถึงวิชาจาก AD (n 1/4 24), MCI (n 1/4 24) และกลุ่มควบคุม (n 1/4 24) ได้รับการคัดเลือกจากโครงการ ADNI2

DTI ทั้งสมองของอาสาสมัครถูกสร้างขึ้นจากโครงการ ADNI2 ด้วยพารามิเตอร์การสแกนต่อไปนี้: ผู้ผลิต 1/4 GE MEDICAL SYSTEMS; เมทริกซ์ X 1/4 256.0 พิกเซล; เมทริกซ์ Y 1/4 256.0 พิกเซล; เมทริกซ์ Z 1/4 2714.0; ขนาดพิกเซล X 1/4 1.4 มม. ขนาดพิกเซล Y 1/4 1.4 มม. พัลส์ซีควอเรนซ์ 1/4 EP/SE; เวลาการทําซ้ํา (TR) 13000 ms, เวลาสะท้อน (TE) ของ68.3 ms, มุมพลิกของ 90, ความแข็งแรงของเขตข้อมูล 3.0, ความหนาของชิ้น 2.7 มม., 41 ทิศทางที่ไม่ใช่ collinear กับค่า b ของ 1000 s / mm2 และ 5 ภาพโดยไม่มีการถ่วงน้ําหนักการแพร่กระจาย นอกจากภาพแล้วยังมีการดาวน์โหลดข้อมูลทางคลินิกและประสาทวิทยาของอาสาสมัครอีกด้วย

2.2. การประมวลผล DTI

สําหรับข้อมูลดิบแต่ละรายการมีการดําเนินการขั้นตอนหลักต่อไปนี้เพื่อแยกคุณสมบัติของเทคนิค DTI ใน SWM (แสดงในรูปที่ 1) กระบวนการทั้งหมดเหล่านี้ดําเนินการโดยใช้ซอฟต์แวร์ DSI Studio (พัฒนาโดย Fang-Cheng Yeh จากห้องปฏิบัติการ MRI ชีวการแพทย์ขั้นสูงโรงพยาบาลมหาวิทยาลัยแห่งชาติไต้หวันไต้หวันไต้หวันได้รับการสนับสนุนจาก Fiber Tractography Lab

2.2.1. ขั้นตอนการประมวลผลล่วงหน้าและการสร้างใหม่

ก่อนการวัดพารามิเตอร์ DTI การแก้ไขการเคลื่อนที่ของศีรษะและการปอกกระแสวนและการลอกกะโหลกศีรษะเสร็จสิ้น สําหรับการลอกกะโหลกศีรษะและการกรองบริเวณพื้นหลังเราใช้หน้ากากที่จัดทําโดย DSIStudio จากนั้นในขั้นตอนต่อไปเราใช้วิธีการสร้างใหม่สองวิธีที่แตกต่างกันรวมถึงตัวเลือกฐานโมเดล (DTI) และโมเดลฟรี (QSDR) ใน DSI Studio ด้วยทัศนคติที่แตกต่างกันสองประการในการประมวลผลภาพการแพร่กระจาย

2.2.2. แนวทาง ROI

หลังจากขั้นตอนการสร้างใหม่พารามิเตอร์ DTI ที่แตกต่างกันได้รับจาก ROI, tractography และการเชื่อมต่อและวิธีการเครือข่าย ROI เป็นเอกลักษณ์สําหรับวัตถุประสงค์เฉพาะภูมิภาค SWM ในการศึกษาปัจจุบัน หน้ากาก (ในพื้นที่ MNI) ของภูมิภาคนี้ได้มาจากการศึกษาที่คล้ายกันโดย Arash Nazeri et al [15, 16]

ตามการแบ่งส่วนของพื้นที่สมองใน Terminologia Anatomica 1998 [17] และ Terminologia Neuroanatomica 2017 (FIPAT. คําศัพท์ประสาทกายวิภาคศาสตร์. FIPAT.library.dal.ca. โครงการนานาชาติสหพันธรัฐสําหรับคําศัพท์ทางกายวิภาคกุมภาพันธ์ 2017) เราแบ่งภูมิภาค SWM ออกเป็น 12 ภูมิภาคทางกายวิภาครวมถึงหน้าผากข้างขม่อมขม่อมท้ายทอย limbic และกลีบโดดเดี่ยว (ในแต่ละด้าน) โดย Talairach Atlas [18] (รูปที่ 2) ภูมิภาคเหล่านี้ได้รับการยืนยันโดยนักรังสีวิทยาที่มีประสบการณ์สองคน สุดท้ายเราได้เพิ่มแผนที่ SWM ของภูมิภาคย่อยเพื่อให้เข้าถึงแผนที่ซอฟต์แวร์ DSI-Studio ได้ดีขึ้นและง่ายขึ้น โดยรวมแล้วมีการคํานวณภูมิภาค SWM 12 ภูมิภาคและค่า DTI และ QSDR เฉลี่ยสําหรับแต่ละภูมิภาค

2.2.3. แนวทางการลากจูง

เพื่อแยกพารามิเตอร์ tractography ดัชนี FA และ QA ถูกใช้สําหรับการสร้าง DTI และ QSDR ใหม่เพื่อกําหนดเกณฑ์การติดตามไฟเบอร์ตามลําดับ ในขั้นต้นภูมิภาค SWM (เป็น ROI) ถูกวางไว้และดําเนินการฉุดลากแยกต่างหากจากภูมิภาค การลากจูงของแต่ละภูมิภาค SWM ดําเนินการด้วยเมล็ด 100000 เมล็ดซึ่งสร้างขึ้นแบบสุ่มที่ตําแหน่ง subvoxel และเมล็ดถูกวางไว้ทั่วภูมิภาค SWM ทั้งหมดโดยมีขนาดขั้นตอน 0 (0.5 voxels ถึง 1.5 voxels ระยะทาง) และค่าการปรับให้เรียบ 1 การติดตามจากเส้นใยหลักของจุดเพาะถูกตั้งค่าให้คล่องตัว (ออยเลอร์) และการแก้ไขทิศทางถูกตั้งค่าเป็นไตรเชิงเส้น ช่วงความยาวเส้นใยถูกตั้งค่าระหว่าง 30 ถึง 300 มม.

2.2.4. การวิเคราะห์การเชื่อมต่อและเครือข่าย

หลังจากดําเนินการ tractography การเชื่อมต่อโครงสร้างระหว่างบริเวณ SWM ของสมองและมาตรการเครือข่ายสมองได้มาจากวิธีการสร้าง QSDR ใหม่ เมื่อต้องการทําเช่นนี้ ตัวเลือก "เมทริกซ์การเชื่อมต่อ" ถูกใช้เพื่อแยกการเชื่อมต่อและพารามิเตอร์เครือข่าย ดังนั้นหลังจากดําเนินการ tractography ของสมองทั้งหมดการวัดการเชื่อมต่อระหว่างภูมิภาคของ SWM ได้รับการประเมินตามจํานวนการเชื่อมต่อ นอกจากนี้ข้อมูลที่วัดได้จากเครือข่าย (เช่นประสิทธิภาพการดูดซับระหว่าง ฯลฯ ) ถูกดึงมาจากภูมิภาค SWM ที่แตกต่างกัน

2.3 วิธีการจําแนก

เรารวมพารามิเตอร์ DTI ของทั้งพารามิเตอร์การสร้างใหม่และการวัดจาก ROI, tractography, การเชื่อมต่อและวิธีการเครือข่าย (เช่น FA, MD, RD, AxD และ QA, QA, iso, RDI, ค่าเครือข่ายและการเชื่อมต่อจํานวนมากระหว่างบริเวณสมอง) สําหรับแต่ละกลุ่มจะถูกแปลงเป็นไฟล์ CSV เพื่อเข้าสู่ซอฟต์แวร์ MATLAB สําหรับการจัดประเภท คุณสมบัติที่ดึงมาจากแต่ละคุณสมบัติประกอบด้วยคุณสมบัติ 504 ประการของวิธี ROI คุณสมบัติ 576 ประการของวิธีการ tractography และคุณสมบัติ 702 ประการของการเชื่อมต่อและวิธีการเครือข่าย หลังจากเรียงลําดับคุณสมบัติแล้วเวกเตอร์ของคุณสมบัติสําหรับแต่ละเรื่องจะถูกประเมินจากคุณสมบัติ 1782 เพื่อเตรียมเมทริกซ์คุณลักษณะเป็นอินพุตไปยังแบบจําลองการจัดประเภท SVM เมทริกซ์ระหว่างกลุ่ม (HC-AD, HC-MCI และ MCI-AD) ที่มีป้ายกํากับเฉพาะสําหรับแต่ละกลุ่มได้ถูกสร้างขึ้น

การวิเคราะห์แมชชีนเลิร์นนิงทั้งหมดดําเนินการโดยใช้ซอฟต์แวร์ MATLAB (R2014a) ขั้นตอนสามารถแบ่งออกเป็นแผนภูมิการไหลต่อไปนี้ (ดังแสดงในรูปที่ 3)

หลังจากการประมวลผลข้อมูล DTI การแยกคุณลักษณะ และการสร้างเวกเตอร์คุณลักษณะ แล้ว จะมีการเลือกคุณลักษณะ

2.3.1. การเลือกคุณสมบัติ

ในการวิจัย neuroimaging นี้จํานวนคุณสมบัติต่อเรื่องสูงมาก ดังนั้นเพื่อระบุคุณสมบัติที่เกี่ยวข้องมากที่สุด (หรือพารามิเตอร์) สําหรับการจัดหมวดหมู่เราจึงใช้วิธีการที่ใช้ตัวกรองตามสหสัมพันธ์อย่างรวดเร็ว (FCBF) ซึ่งเป็นวิธีการเลือกคุณลักษณะสําหรับข้อมูลมิติสูง [19]

หลังจากการประมวลผล DTI การเลือกคุณลักษณะจะดําเนินการโดยใช้ FCBFmethods และใช้ใน SVM สําหรับการจัดประเภทไบนารี

2.3.2. การเรียนรู้และการจําแนกประเภท

หลังจากเลือกคุณลักษณะเราได้ทําการตรวจสอบข้ามภายใน 5 เท่าสําหรับข้อมูลการฝึกอบรมและใช้อัลกอริทึม SVM โดยใช้การจําแนกไบนารีระหว่างสามกลุ่ม การตรวจสอบข้ามเป็นเทคนิคการตรวจสอบความถูกต้องของแบบจําลองที่ใช้เพื่อให้แน่ใจว่าประสิทธิภาพการทํางานทั่วไป นอกจากนี้ยังเป็นวิธีการสุ่มตัวอย่างซ้ําที่ใช้ในการประเมินแบบจําลองหากเรามีข้อมูล จํากัด [20] โดยรวมแล้วเราประเมินเมล็ดเชิงเส้นกําลังสองลูกบาศก์และเกาส์เซียน (ละเอียดกลางหยาบ) เนื่องจากผลลัพธ์ที่ดีกว่าในเมล็ดเชิงเส้นกําลังสองและเกาส์เซียนและเพื่อลดความซับซ้อนของการศึกษาเราจึงรายงานผลลัพธ์ของเมล็ดทั้งสามนี้ สุดท้ายเราจะแสดงเส้นโค้งลักษณะการทํางานของตัวรับ (ROC) และพื้นที่ใต้เส้นโค้ง (AUC) สําหรับเคอร์เนลที่ดีที่สุดในแต่ละหมวดหมู่ (ดังแสดงในรูปที่ 4)

2.3.3. การประเมินผล

เมื่ออัลกอริทึม SVM ได้รับการฝึกฝนแล้วผลลัพธ์รวมถึงความแม่นยําความจําเพาะและความไวซึ่งกําหนดไว้ดังนี้จะถูกใช้เพื่อประเมินประสิทธิภาพการจําแนกประเภท

โดยทั่วไปในสมการเหล่านี้ true positive (TP) หมายถึงจํานวนผู้ป่วยที่ทํานายอย่างถูกต้องผลบวกลวง (FP) หมายถึงจํานวนการควบคุมที่ดีต่อสุขภาพที่คาดการณ์อย่างไม่ถูกต้องว่าเป็นผู้ป่วยค่าลบที่แท้จริง (TN) หมายถึงจํานวนการควบคุมที่ดีต่อสุขภาพที่คาดการณ์ได้อย่างถูกต้องและค่าลบปลอม (FN) หมายถึงจํานวนผู้ป่วยที่คาดการณ์อย่างไม่ถูกต้องว่ามีสุขภาพดี [21]

3. ผลลัพธ์

3.1 ลักษณะทางประชากรศาสตร์และทางคลินิก

ข้อมูลประชากรและคะแนนทางคลินิกของผู้เข้าร่วมแสดงไว้ในตารางที่ 1 ไม่มีความแตกต่างที่มีความหมาย (P > 0.05) ระหว่างสามกลุ่มที่เกี่ยวกับอายุและเพศ (ดูตารางที่ 1) การตรวจสภาพจิตใจขนาดเล็ก (MMSE), คะแนนภาวะสมองเสื่อมทางคลินิกทั่วโลก (CDR) และคะแนนแบบสอบถามกิจกรรมการทํางาน (FAQ) มีความแตกต่างกันอย่างมากในสามกลุ่ม การวิเคราะห์ทางสถิติของข้อมูลพื้นฐานดําเนินการโดยใช้ SPSS 24

3.2. คุณสมบัติการคัดเลือกของสสารสีขาวผิวเผิน

วิธีการเลือกคุณลักษณะ FCBF แสดงคุณสมบัติ 8 ประการสําหรับการจําแนกประเภทของ MCI และ HC คุณสมบัติ 25 ประการสําหรับการจําแนกประเภทของ AD และ HC และคุณสมบัติ 17 ประการสําหรับการจําแนกประเภทของ AD และ MCI (ตารางที่ 2) รูปที่ 5 แสดงจํานวนคุณลักษณะการเลือกของวิธีการต่างๆ ของ DTI

3.3. ประสิทธิภาพการจําแนกประเภท

ความแม่นยํา ความไว และความจําเพาะเฉลี่ยถูกรายงานเป็นผลการศึกษานี้ เคอร์เนลเชิงเส้นของ SVM เป็นลักษณนามที่ดีที่สุดด้วยความแม่นยํา 95.8% ความไว 95.8% และความจําเพาะ 95.8% ระหว่างกลุ่ม AD และ HC ตามด้วยเคอร์เนลกําลังสองของ SVM ด้วยความแม่นยํา 83.3% ความไว 94.4% และความจําเพาะ 76.6% ระหว่างกลุ่ม MCI และ HC และเคอร์เนลเกาส์เซียนของ SVM ด้วยความแม่นยํา 83.3% ความไว 80.7% และความจําเพาะ 86.3% ระหว่างกลุ่ม AD และ MCI) ดังแสดงในตารางที่ 1) รูปที่ 6 แสดงการเปรียบเทียบระหว่างสามเคอร์เนลและค้นหาเคอร์เนลที่ดีที่สุดในการจัดประเภทคู่ใด ๆ (ดูตารางที่ 3)

4. การสนทนา

มีหลายวิธีในการวิเคราะห์ข้อมูล DTI และแต่ละวิธีมีจุดแข็งและจุดอ่อน ในการศึกษานี้ เราใช้สามวิธี ได้แก่ ROI, tractography, การเชื่อมต่อ และการวิเคราะห์เครือข่าย เพื่อให้ได้ลักษณะของสสารสีขาวผิวเผิน [22]

สสารสีขาวผิวเผินเป็นหนึ่งในภูมิภาคที่พบว่ามีความเสี่ยงสูงต่อโรคหลายชนิดตามแบบจําลองการวิวัฒนาการย้อนหลัง [23] ด้วยเหตุนี้พื้นที่นี้จึงได้รับการตรวจสอบในการศึกษาครั้งนี้

มีการศึกษาหลายชิ้นเพื่อแยกความแตกต่างระหว่างบุคคลที่มี AD และ MCI และบุคคลที่มีสุขภาพดีและนักวิจัยหลายคนสนใจที่จะหาวิธีการแยกทั้งสามกลุ่มนี้ออกจากกัน ในการศึกษาปัจจุบันเราใช้วิธีการอัตโนมัติเพื่อจําแนกวิชาที่มี AD และ MCI และวิชา HC ตามคุณสมบัติ DTI ใน SWM

สิ่งสําคัญคือต้องทราบว่าสถาปัตยกรรมไฟเบอร์ของ SWM (ที่มีประชากรเส้นใยหลายตัวที่เรียกว่า "เส้นใยข้าม") แสดงลําดับที่ซับซ้อนกว่าสสารสีขาวเข้ม (รูปที่ 7) ด้วยเหตุนี้จึงดูเหมือนว่าจําเป็นต้องใช้เทคนิคการสร้างใหม่ QSDR เนื่องจากวิธีการแบบไม่มีแบบจําลองมีความแม่นยํามากกว่าใน voxels ที่มีประชากรเส้นใยหลายตัวเมื่อเทียบกับวิธีการตามแบบจําลอง [24] เพื่อจุดประสงค์นี้เราใช้เทคนิค QSDR พร้อมกับเทคนิคการสร้าง DTI ใหม่

เนื่องจากการพัฒนาระบบอัจฉริยะในวิทยาศาสตร์ที่แตกต่างกันระบบการเรียนรู้ของเครื่องจึงได้รับการพัฒนาขึ้นเพื่อจําแนกคู่ระหว่างสามกลุ่ม นี่เป็นการศึกษาครั้งแรกที่ใช้เครื่องเวกเตอร์สนับสนุนเพื่อระบุคุณสมบัติของเทคนิค DTI ใน SWM

ผลลัพธ์ของเราจากการควบคุมเทียบกับการจําแนกประเภท MCI แสดงให้เห็นว่าเคอร์เนลกําลังสองเป็นเคอร์เนลที่ดีที่สุดสําหรับการจําแนกประเภทนี้โดยมีความแม่นยํา 83.3% การเลือกปฏิบัติระหว่างผู้ป่วย AD และการควบคุมผู้สูงอายุแสดงให้เห็นถึงความแม่นยํา 95.8% โดยเคอร์เนลเชิงเส้น พารามิเตอร์การเชื่อมต่อแสดงความสําคัญอย่างยิ่งในคุณลักษณะที่เลือก ตัวอย่างของการเชื่อมต่อเหล่านี้แสดงในรูปที่ 8

โดยทั่วไปการตรวจสอบคุณลักษณะของเครือข่ายสมองสามารถให้ข้อมูลเกี่ยวกับโรคทางระบบประสาทส่วนใหญ่แก่นักวิจัยรวมถึง AD และ MCI เมื่อเร็ว ๆ นี้การศึกษาคุณสมบัติเครือข่ายในโรคอัลไซเมอร์ได้ดึงดูดความสนใจของนักวิจัยหลายคน ในบรรดานักวิจัยเหล่านี้ ได้แก่ Daianu et al. [25], Seo et al. [26], Jalili et al. [27], Sheng et al. [28] และ Sulaiman et al. [29] พวกเขาเชื่อว่าการวิเคราะห์การเชื่อมต่อเครือข่ายสมองให้ความเข้าใจที่มีความหมายว่าวิถีประสาทพังทลายลงในโรคอัลไซเมอร์อย่างไร ตัวอย่างเช่นตามที่รายงานในการศึกษาของ Yongxia Zhou et al. คุณลักษณะของเครือข่ายโลกขนาดเล็กในเยื่อหุ้มสมองสามารถแยกแยะความแตกต่างระหว่างผู้ป่วยอัลไซเมอร์และผู้ป่วย MCI ในการศึกษานี้เครือข่ายโลกขนาดเล็กซึ่งเป็นหนึ่งในคุณสมบัติที่เลือกในสสารสีขาวผิวเผินแสดงให้เห็นถึงความสามารถในการแยกความแตกต่างของ AD จาก MCI และสามารถใช้เพื่ออธิบายการลดลงของหน่วยความจําและฟังก์ชั่นความรู้ความเข้าใจสอดคล้องกับ

fifindings ของการศึกษาก่อนหน้านี้ว่าการสูญเสียลักษณะเครือข่ายโลกขนาดเล็กมีการเปลี่ยนแปลงในผู้ป่วย AD [30, 31, 32]

นอกจากนี้การวัด PageRank ยังสามารถเน้นบริเวณสมองด้วยลิงก์ภายนอกจํานวนมากขึ้น [33] ในการศึกษาของเรา PageRank ในบริเวณหน้าผากและข้างขม่อมเป็นหนึ่งในคุณสมบัติที่ระบุอันดับต้น ๆ สําหรับการวินิจฉัย AD และอาจมีบทบาทสําคัญกว่าในสมอง

หนึ่งใน fifindings ที่สําคัญที่สุดของการศึกษาคือความยาวและจํานวนของกลีบข้างขม่อมด้านซ้ายในการแยก AD จาก MCI การศึกษาของ Desikan et al. กล่าวถึงความสําคัญของการบาดเจ็บที่กลีบข้างขม่อมในฐานะตัวทํานายความก้าวหน้าจาก MCI ถึง AD [34] ผลการศึกษานี้ของการศึกษานี้สามารถยืนยันข้อสรุปของการศึกษาก่อนหน้านี้ในภูมิภาค SWM เนื่องจาก MCIs มีความเสี่ยงสูงในการพัฒนา AD มากกว่าการควบคุมการตรวจสอบกลีบข้างขม่อมอาจเป็นตัวบ่งชี้ที่เป็นประโยชน์

นอกจากนี้การเพิ่ม fifindings tractography ในการเปรียบเทียบ AD กับ MCI การหยุดชะงักของการเชื่อมต่อระหว่างกลีบขมับและข้างขม่อมและกลีบลิมบิกและท้ายทอยถูกพบใน ADs กล่าวอีกนัยหนึ่งการเชื่อมต่อเส้นใยระยะสั้นในขมับอาจเป็นการค้นพบที่สําคัญในการแยกโรคทั้งสองนี้ บริเวณขมับมีบทบาทสําคัญในการทํางานของระบบประสาทของมนุษย์ในระดับสูง [35] ที่อาจได้รับความเสียหายในโรคอัลไซเมอร์ Desikan et al. ตรวจสอบการฝ่อของภูมิภาคนี้ใน AD [34] fifindings ของการศึกษานี้ด้วยเทคนิคใหม่และการใช้คุณสมบัติของวิธีการ DTI สามารถมีประสิทธิภาพในการแยก MCI จาก AD การศึกษาการถ่ายภาพด้วยคลื่นสนามแม่เหล็กที่ใช้งานได้ (fMRI) แสดงให้เห็นว่า insula เป็นพื้นที่สําคัญของเครือข่ายสมองของมนุษย์และบริเวณที่เปราะบางที่สุดของ AD [36]; การศึกษาในปัจจุบันสามารถยืนยันผลลัพธ์เหล่านี้ในเรื่องสีขาวผิวเผินได้เนื่องจากคุณสมบัติของ insula เช่นการเชื่อมต่อ iso, Tzz และ Txy เป็นหนึ่งในคุณสมบัติที่เลือกและหลักของผู้ป่วยอัลไซเมอร์

การศึกษาส่วนใหญ่รายงานว่าค่า DTI มีการเปลี่ยนแปลงระหว่างกลุ่ม AD และ MCI ความแม่นยําในการจําแนกในการศึกษานี้ระหว่าง AD และ MCI คือ 83.3% โดยเคอร์เนลเกาส์ซึ่งเป็นเคอร์เนลที่ดีที่สุดสําหรับการจําแนกประเภทนี้

เพื่อเป็นข้อเสนอแนะสําหรับการวิจัยในอนาคตเป็นเรื่องที่น่าสนใจที่จะรวมรูปแบบและตัวบ่งชี้ทางชีวภาพอื่น ๆ ไว้ในการศึกษาหลายรูปแบบเช่น fMRI และ electroencephalogram (EEG), การตรวจเอกซเรย์ปล่อยโพซิตรอน (PET) และข้อมูลโปรตีน CSF ด้วยข้อมูล DTI และสามารถเป็นหนึ่งในเป้าหมายในอนาคตของเรา

5. สรุป

โดยสรุปเราได้ดําเนินการวิธีการแยกแยะระหว่างผู้ป่วยที่มี AD และ MCI และการควบคุมที่ดีต่อสุขภาพโดยอัตโนมัติ ในการศึกษานี้เราแสดงให้เห็นว่า AD หรือ MCI สามารถแยกความแตกต่างจาก HC โดยใช้คุณสมบัติภูมิภาค SWM ผ่าน DTI ดังนั้นคุณสมบัติที่ได้จาก ROI, tractography และการเชื่อมต่อและวิธีการเครือข่ายสามารถช่วยในการวินิจฉัย AD และ MCI ในที่สุดการศึกษานี้ให้พื้นหลังในการประเมินวิธีการจําแนกอัตโนมัติอื่น ๆ ในภูมิภาคเหล่านี้

5.1. ข้อจํากัด

ขนาดตัวอย่างในแมชชีนเลิร์นนิงเป็นปัจจัยสําคัญที่ส่งผลต่อประสิทธิภาพของโมเดล ข้อจํากัดของการศึกษาคือขนาดตัวอย่างที่เล็กของอาสาสมัครที่รวมอยู่

อ้าง อิง
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, DTI และการจําแนก MRI เชิงโครงสร้างในโรคอัลไซเมอร์ Adv. Mol. Imag. 2012 (2012).
[2] S.A. Eshkoor, T.A. Hamid, C.Y. Mun, C.K. Ng, ความบกพร่องทางสติปัญญาเล็กน้อยและการจัดการในผู้สูงอายุ, คลิน. อินเตอร์ฟ. อายุ 10 (2015) 687–693.
[3] O.R. Phillips, S.H. Joshi, F. Piras, M.D. Orfei, M. Iorio, K.L. Narr, et al., สสารสีขาวผิวเผินในโรคอัลไซเมอร์, ฮัม. 37 (4) (2016) 1321–1334.
W. Reginold, A.C. Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, การเปลี่ยนแปลงสสารสีขาวผิวเผินบน MRI tractography ในโรคอัลไซเมอร์, ภาวะสมองเสื่อม Geriatr. [4] W. Reginold, A.C. Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Altered myficial white matter on tractography MRI ในโรคอัลไซเมอร์, ภาวะสมองเสื่อม Geriatr[4] W. Reginold, A.C. Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Altered the Theficial White matter on tractography MRI ในโรคอัลไซเมอร์, ภาวะสมองเสื่อมโรคเกรียม. Cognit. ความระส่ําระสาย พิเศษ 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, การประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ทางการแพทย์ในพื้นที่ชนบทของประเทศกําลังพัฒนา, Health Equity 2 (1) (2018) 174–181.
[6] K.D. Davis, H. Flor, H.T. Greely, G.D. Iannetti, S. Mackey, M. Ploner, et al., การทดสอบการถ่ายภาพสมองสําหรับอาการปวดเรื้อรัง: ปัญหาทางการแพทย์กฎหมายและจริยธรรมและคําแนะนํา, Nat. Rev. Neurol. 13 (2017) 624.
M. Dyba, M. Ewers, M. Wegrzyn, I. Kilimann, C. Plant, A. Oswald, et al., การรวม DTI และ MRI สําหรับการตรวจหาโรคอัลไซเมอร์โดยอัตโนมัติโดยใช้ชุดข้อมูลหลายศูนย์ขนาดใหญ่ในยุโรปในการประชุมเชิงปฏิบัติการระหว่างประเทศเกี่ยวกับการวิเคราะห์ภาพสมองหลายรูปแบบ, Springer, 2012, pp. 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long, et al., ความแตกต่างระหว่างการถ่ายภาพการสุ่มตัวอย่าง Q ทั่วไปและการถ่ายภาพเทนเซอร์การแพร่กระจายในการสร้างภาพของการข้ามเส้นใยประสาทในสมอง, Surg. Radiol. อนาถ. 41 (9) (2562) 1019–1028.
[9] S.Y. ลิม, Y.-S. Tyan, Y.-P. เจ้า, F.-Y. นีน, เจ.-ซี. Weng, ข้อมูลเชิงลึกใหม่เกี่ยวกับการพัฒนาสมองกระต่ายโดยใช้การแพร่กระจาย tensor tractography และการสุ่มตัวอย่างทั่วไป MRI, PLoS One 10 (3) (2015)
[10] F.C. Yeh, L. Liu, T.K. Hitchens, Y.L. Wu, การทําแผนที่การแทรกซึมของเซลล์ภูมิคุ้มกันโดยใช้ MRI การแพร่กระจายที่จํากัด, Magn. เสียงสะท้อน Med. 77 (2) (2017) 603–612.
[11] G. Prasad, T.M. Nir, A.W. Toga, P.M. Thompson, ความหนาแน่นของ Tractography และมาตรการเครือข่ายในโรคอัลไซเมอร์, ใน: 2013 IEEE 10th International Symposium on Biomposium on Biomedical Imaging, IEEE, 2013, pp. 692–695.
[12] A. Mheich, F. Wendling, M. Hassan, ความคล้ายคลึงกันของเครือข่ายสมอง: วิธีการและการใช้งาน, 2019 arXiv preprint arXiv:190810592.
[13] O. Sporns, วิธีการทางทฤษฎีกราฟ: การประยุกต์ใช้ในเครือข่ายสมอง, บทสนทนาคลิน. ประสาทวิทยา. 20 (2) (2018) 111.
[14] O. Sporns, JD Zwi, โลกเล็ก ๆ ของเปลือกสมอง, Neuroinformatics 2 (2) (2004) 145–162. [15] A. Nazeri, M.M. Chakravarty, T.K. Rajji, D. Felsky, D.J. Rotenberg, M. Mason, et al.,
สสารสีขาวผิวเผินเป็นสารตั้งต้นใหม่ของการลดลงของความรู้ความเข้าใจที่เกี่ยวข้องกับอายุ Neurobiol อายุ 36 (6) (2015) 2094–2106.
[16] A. Nazeri, M.M. Chakravarty, D. Felsky, N.J. Lobaugh, T.K. Rajji, B.H. Mulsant, et al., การเปลี่ยนแปลงของสสารสีขาวผิวเผินในโรคจิตเภทและความสัมพันธ์กับประสิทธิภาพทางปัญญา, Neuropsychopharmacology: Off. Publ. Am. College Neuropsychopharmacol. 38 (10) (2013) 1954.
[17] G.C. Ribas, สมองซัลชีและไจรี, ประสาทศัลยแพทย์. โฟกัส 28 (2) (2010) E2 [18] J. Talairach, แผนที่สเตอริโอตาซีร่วมระนาบของระบบสัดส่วนสมอง 3 มิติของมนุษย์. แนวทางการถ่ายภาพสมอง, 1988.
[19] L. Yu, H. Liu, การเลือกคุณลักษณะสําหรับข้อมูลมิติสูง: โซลูชันตัวกรองตามสหสัมพันธ์ที่รวดเร็ว, ใน Proceedings ของการประชุมนานาชาติว่าด้วยการเรียนรู้ของเครื่องครั้งที่ 20 (ICML-03), 2003, pp. 856–863.
[20] M.W. Browne, วิธีการตรวจสอบข้าม, J. Math. Psychol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, ความไว, ความจําเพาะ, ความแม่นยํา, ช่วงความเชื่อมั่นที่เกี่ยวข้องและการวิเคราะห์ ROC ด้วยการใช้งาน SAS ในทางปฏิบัติ, NESUG Proceed.: Health Life Sci. (บัลติมอร์, แมริแลนด์) 19 (2010) 67.
[22] W. Van Hecke, L. Emsell, S. Sunaert, การถ่ายภาพเทนเซอร์การแพร่กระจาย: คู่มือการปฏิบัติ, สปริงเกอร์, 2015.

บี. บิกแฮม, เอส.เอ. ซามันปูร์, เอฟ. เซมอร์ชิดี, เอฟ. โบรูมานด์, เอช. การระบุความผิดปกติของสสารสีขาวผิวเผินในโรคอัลไซเมอร์และความบกพร่องทางสติปัญญาเล็กน้อยโดยใช้การถ่ายภาพเทนเซอร์แบบกระจาย, J. Alzheimer's Dis. Rep. 4 (1) (2020) 49–59.
H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou, et al., ความแตกต่างระหว่างการถ่ายภาพ q-sampling ทั่วไปและการถ่ายภาพเทนเซอร์การแพร่กระจายในการมองเห็นก่อนการผ่าตัดของทางเดินเส้นใยประสาทภายในอาการบวมน้ําที่เยื่อบุช่องท้องในสมอง, ศัลยกรรมประสาท 73 (6) (2013) 1044–1053.
M. Daianu, E.L. Dennis, N. Jahanshad, T.M. Nir, A.W. Toga, C.R. Jack, et al., โรคอัลไซเมอร์ขัดขวางองค์กรของสโมสรที่ร่ํารวยในเครือข่ายการเชื่อมต่อสมอง, ใน: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE, 2013, pp. 266–269.
[26] อี.เอช.ซอ, ดี.วาย. ลี, เจ.-เอ็ม. ลี, เจ.-เอส. Park, B.K. Sohn, D.S. Lee, et al., เครือข่ายการทํางานของสมองทั้งสมองในความบกพร่องทางสติปัญญาปกติทางสติปัญญาที่ไม่รุนแรงและโรคอัลไซเมอร์ PLoS One 8 (1) (2013)
[27] M. Jalili, กราฟการวิเคราะห์ทางทฤษฎีของโรคอัลไซเมอร์: การเลือกปฏิบัติของผู้ป่วย AD จากอาสาสมัครที่มีสุขภาพดี, Inf. Sci. 384 (2017) 145–156.
J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, การระบุและระบุลักษณะขั้นตอนต่าง ๆ ต่อโรคอัลไซเมอร์โดยใช้คุณสมบัติหลักที่สั่งและการเรียนรู้ของเครื่อง, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, P.M. Thompson, et al., การทํานายการเปลี่ยนแปลงเครือข่ายสมองในโรคอัลไซเมอร์ด้วยอัลกอริธึมการทํานายการเชื่อมโยง, Mol. Biosyst. 13 (4) (2017) 725–735.
Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang, et al., เครือข่ายเยื่อหุ้มสมองผิดปกติในความบกพร่องทางสติปัญญาเล็กน้อยและโรคอัลไซเมอร์, PLoS Comput. ไบโอล. 6 (11) (2010).
[31] Y. He. He, Z. Chen, A. Evans, ข้อมูลเชิงลึกเชิงโครงสร้างเกี่ยวกับรูปแบบโทโพโลยีที่ผิดปกติของเครือข่ายเยื่อหุ้มสมองขนาดใหญ่ในโรคอัลไซเมอร์, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, เครือข่ายเซลล์ประสาทในโรคอัลไซเมอร์, นักประสาทวิทยา 15 (4) (2009) 333–350.
A. Ebadi, J.L. Dalboni da Rocha, D.B. Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho, et al., การจําแนกกลุ่มของโรคอัลไซเมอร์และความบกพร่องทางสติปัญญาที่ไม่รุนแรงตามการวัดกราฟที่ซับซ้อนจากภาพเทนเซอร์การแพร่กระจาย, Front. ประสาทวิทยา. 11 (2017) 56.
R.S. Desikan, H.J. Cabral, B. Fischl, C.R. Guttmann, D. Blacker, B.T. Hyman, et al., Temporoparietal MR การวัดการถ่ายภาพของการฝ่อในผู้ที่มีความบกพร่องทางสติปัญญาเล็กน้อยซึ่งทํานายการวินิจฉัยโรคอัลไซเมอร์ในภายหลัง Am. J. Neuroradiol 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, ติดตามการเชื่อมต่อสั้น ๆ ของบริเวณขมับ -ท้ายทอยในสมองของมนุษย์โดยใช้การถ่ายภาพสเปกตรัมการแพร่กระจายและการผ่าเส้นใย, Brain Res. 1646 (2016) 152–159.
X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song, et al., การเปลี่ยนแปลงการเชื่อมต่อการทํางานของอนุภูมิภาคโดดเดี่ยวในโรคอัลไซเมอร์, Front. ประสาทวิทยาสูงวัย. ... 10 (2018) 107.