Mobiele menu

Automated Multimodality Image-based Classifiersfor Early Detection of Alzheimer's Disease

De belangrijkste resultaten die de software laat zien, zijn:

  1. Functionele modaliteiten als functionele en perfusie-MRI leiden tot hogere precisie in vroege stadia dan traditionele MRI.
  2. Voor de uiteindelijke classificatie is een samenstelling van meerdere scans niet beter dan de beste scan alleen.
  3. Het toepassen van een getrainde classifier op onbekende data zal altijd in meerdere stappen gaan: eerst om de meest geschikte test te bepalen, en die te doen met de meest geschikte modaliteit.
  4. Deze initiële stap moet multimodaal gedaan worden: het gebruik van een modaliteit die geschikt is voor een bepaald stadium kan tot een afwijking richting een bepaalde uitkomst leiden. In dit project zat een enquête om de voor- en nadelen van zo’n langere scan te bepalen. Het blijkt dat:
    • Mensen geen problemen hebben met meer scannen, als van tevoren bekend is wat er gebeurt en waarom en als een bekende meegaat.
    • Het opnemen en gebruiken van patiëntenervaringen kan veel meer dan nu gebeurt.

Verslagen


Eindverslag

Op MRI-hersenbeelden van patienten met de ziekte van Alzheimer zijn duidelijk veschillen te zien in vergelijking met gezonde personen. MRI wordt dan ook vaak gebruikt bij de diagnose van patienten met cognitieve klachten. In late stadia van de ziekte van Alzheimer is een duidelijk verschil te zien op een MRI-scan van de anatomie. In eerdere fasen van de ziekte is dit een stuk minder duidelijk, en laten functionele scans, zoals MR-scans van hersenactiviteit en perfusie, duidelijker verschillen zien tussen patienten en gezonde personen. In dit project is een software-tool gemaakt die MRI-waarden van meerdere soorten scans uit verschillende hersengebieden gebruikt. Dit 'machine learning' programma berekent een patroon dat de verschillen in deze waarden tussen verschillende patientengroepen weergeeft. Twee voorspelde uitkomsten zijn in de loop van dit project bijgesteld. Ten eerste: het gebruik van de hoge resolutie van voxelgewijze classifiers brengt nadelen met zich mee. Hoewel de localisatie van het ziekteproces een hogere precisie zou kunnen hebben, is het signaal, en het contrast tussen verschillende patientengroepen, te zwak om dit met statistische zekerheid te doen. Bovendien is het selecteren van kenmerken, dus gebieden die zeer relevant zijn voor de classificatie, te instabiel met het hoge begingetal van voxelgewijze kenmerken. In plaats daarvan zorgt een classificatie op basis van gebieden in een bekende atlas voor een sterker signaalen contrast per kenmerk en een beheersbaar aantal kenmerken voor selectie van relevante hersenwaarden. Bovendien verkiezen de gebruikers het gebruik van een atlas met gebieden die een duidelijke naam en functie hebben. Ten tweede: een classificatie van een multimodaal beeld, een combinatie van meerdere modaliteiten, geeft in het algemeen geen preciezere voorspelling dan de beste modaliteit voor een specifieke fase van de ziekte van Alzheimer. Een samengestelde classifier heeft in het algemeen een maximale nauwkeurigheid die ligt tussen de maximale nauwkeurigheid van de slechtst bruikbare modaliteit en die van de best bruikbare modaliteit. Voor de toepassing van de classifiers op een scan van nog onbekende patientengroep ligt het anders. Daar zijn meerdere tests nodig: eerst om uit te zoeken welke classificatie het meest van toepassing is, en ten tweede deze uit te voeren met de meest geschikte modaliteit. De eerste test kan het best worden uitgevoerd op een multimodaal beeld, omdat het gebruiken van een modaliteit die het best past bij een bepaalde fase van de ziekte, kan leiden tot een vergrote kans (bias) op een uitkomst die bij de desbetreffende test hoort. Zodra de juiste test gevonden is, kan deze uitgevoerd worden met de beste modaliteit. Voor dit project is ook een enquete uitgevoerd om uit te zoeken of mensen bereid zijn langer in de scanner te liggen om een vroege diagnose te ondersteunen. Met name het ongemak en het harde geluid waren punten van zorg. Ook werd het positieve effect van een goede informatievoorziening belicht. Een belangrijke uitkomst was dat mensen in het algemeen geen bezwaar hebben tegen het ongemak om langer in de scanner liggen. Een belangrijke voorwaarde is wel dat men van tevoren goed ingelicht is, bij voorkeur al door de eigen huisarts of via een mantelzorger. Een belangrijke factor voor het wegnemen van stress in de scanner was de aanwezigheid van een bekende. Naast de antwoorden op de vragen was een veelgenoemd advies van de deelnemers zelf dat de terugkoppeling van hun ervaringen en voor het voorlichten van anderen, op dit moment nog niet voldoende wordt gebruikt. Deze aanbevelingen zijn samengoevoegd in een document dat te lezen is op de website van het project: www.alzheimercentrum.nl/wetenschap/lopend-onderzoek/hersenscans-combine…
Dit project ontwikkelt methoden om onderscheid te maken tussen gezonde ouderen, patienten met milde cognitieve achteruitgang en de ziekte van Alzheimer (AD). Het doel is om door meerdere beelden van een MRI scanner te combineren in een Machine Learning computerprogramma, een hogere precisie te krijgen dan met deze beelden afzonderlijk mogelijk zou zijn. In een eerste fase is met bestaande programma's die werken op een soort beelden (modaliteit) tegelijkertijd, aangetoond dat Machine Learning hoge precisie kan halen bij het classificeren van patienten ten opzichte van controles. De ontwikkeling gaat nu voort met multi-modale beelden (combinaties). Ook is een enquete gestart naar de meningen en ervaringen over het deelnemen aan geavanceerde hersenscans (www.alzheimer-nederland.nl/vertel-over-uw-ervaring-met-hersenscan-onder…)

Kenmerken

Projectnummer:
733050204
Looptijd: 100%
Looptijd: 100 %
2014
2018
Onderdeel van programma:
Gerelateerde subsidieronde:
Projectleider en penvoerder:
Dr. ir. A.M. Wink
Verantwoordelijke organisatie:
Amsterdam UMC - locatie VUmc