Regresijski modeli za napovedovanje likvorskih biomarkerjev Alzheimerjeve bolezniPodobnik, Gašper (Avtor) Špiclin, Žiga (Mentor) Alzheimerjeva bolezendemencaMRIPETlumbalna punkcijacerebrospinalna tekočinalikvorCSF biomarkerjibeta amiloidtau proteinregresijastrojno učenjegloboke nevronske mrežegloboko učenjeOpis in motivacija problema: Alzheimerjeva bolezen (AD) je najpogostejša oblika demence, ki je po ocenah Svetovne zdravstvene organizacije peti najpogostejši razlog smrti na svetu. Večanje deleža starejšega prebivalstva, ki je še posebej izrazito v razvitejših delih sveta obeta naraščanje števila obolelih za Alzheimerjevo demenco, ki naj bi se od leta 2020 do 2050 kar podvojilo. Vzročnega zdravljenja za AD še ne poznamo, raziskave pa kažejo, da naj bi bila zgodnja diagnoza te bolezni eden izmed pomembnih faktorjev za uspešnejši razvoj zdravil ter simptomatskih terapij. Postavljanje zgodnje diagnoze je zaradi relativno poznega razvoja znakov AD zahtevno in zato še vedno odprto in pomembno raziskovalno vprašanje. Velik potencial kažejo biomarkerji cerebrospinalne tekočine (CSF) ter nekateri biomarkerji iz slikovnih preiskav kot sta pozitronska emisijska tomografija (PET) in magnetnoresonančno slikanje (MRI). V magistrski nalogi na podlagi analize podatkov krvnih preiskav, PET in MRI slik vrednotimo regresijske modele za napovedovanje vrednosti koncentracij beta amiloida, proteina tau (total-tau) in fosfo-tau (pTau-181). Vrednosti teh parametrov se v praksi določijo z laboratorijskimi testi na vzorcih likvorja pridobljenega z lumbalno punkcijo (LP). Zaradi invazivnosti posega LP ter možnih zapletov pa je napovedovanje vrednosti CSF parametrov iz podatkov zelo dostopnih in neinvazivnih preiskav - kot je MRI slikanje - klinično zanimiva ideja in središčni problem magistrske naloge, ki ga celostno obravnavamo skupaj z vrednotenjem modelov na podlagi PET slik in laboratorijskih izvidov krvnih preiskav. Metode: regresijo likvorskih parametrov iz 3D PET in MRI medicinskih slik iz skupno sedmih podatkovnih množic izvedemo z globokimi nevronskimi mrežami, za analizo numeričnih podatkov krvnih preiskav ter relativnega razmerja intenzitet kopičenja radiooznačevalcev po možganskih regijah (SUVR) iz Pittsburg compound B PET slik pa uporabimo več klasičnih metod strojnega učenja. Rezultati: analiza modelov naučenih na izvidih običajnih krvnih preiskav po pričakovanjih pokaže, da krvni testi ne vsebujejo relevantne informacije za napovedovanje vrednosti CSF parametrov. Večji potencial za regresijo likvorskih parametrov kažejo PET slike in iz njih določena razmerja SUVR s povprečno relativno absolutno napako reda 15 % razpona vrednosti napovedanega parametra. Modeli slabše delujejo na krajnih intervalih ciljne spremenljivke. Vzrok za to je najverjetneje izrazito neenakomerna porazdelitev vhodnih podatkov, ki otežuje učenje regresijskih modelov, še posebej globokih nevronskih mrež. Modeli naučeni na MRI slikah pričakovano izkažejo nekoliko večjo povprečno napako regresije od PET slik, z večjimi napakami na krajnih intervalih ciljne spremenljivke. Zaključek: trenutni modeli zaradi velikih odstopanj na krajnih intervalih zaloge vrednosti ciljne spremenljivke še niso klinično uporabni. Na intervalih, kjer je na voljo veliko število slik in pridruženih vrednosti izhodne spremenljivke smo dosegli 30-odstotno napako regresije glede na znano referenčno meritev, kar je sprejemljiva napaka glede na dihotomno klinično obravnavo CSF vrednosti. Menimo, da razviti regresijski modeli kažejo potencial za še bolj točne napovedi v celotnem intervalu izhodne spremenljivke v primeru, da bi model učili na razširjeni množici podatkov z uravnoteženo porazdelitvijo CSF vrednosti.20202020-09-11 13:30:01Magistrsko delo/naloga119818sl