Napovedovanje prihodnjega napredovanja bolezni multiple skleroze z morfometrično analizo magnetnoresonančne slike glaveZagožen, Veronika (Avtor) Špiclin, Žiga (Mentor) DULAR, LARA (Komentor) Multipla sklerozaavtoimunska bolezenosrednji živčni sistemmagnetna resonanca (MRI)prihodnje napredovanje bolezniizbor značilnicanaliza glavnih komponent (PCA)metode podpornih vektorjev (SVM)k-najbližjih sosedov (KNN)naključni gozdovi (RF)EDSS.Opis in motivacija problema: Multipla skleroza (ang. Multiple sclerosis, MS) je ena izmed najpogostejših avtoimunskih bolezni osrednjega živčevja pri mladih odraslih osebah in nastaja zaradi avtoimunskega odziva proti mielinski ovojnici živčevja. Patologija bolezni MS se odraža kot klasično vnetje v okolici kapilar in mielinske ovojnice, ki se na magnetnoresonančnih (MR) slikah kaže v obarvanih področjih, imenovanih lezije. Bolezen MS običajno poteka eni izmed treh oblik: (i) recidivno-reminentna faza, (ii) sekundarno-progresivna faza ter (iii) primarno-progresivna faza. Za namen diagnostike in spremljanja poteka bolezni MS se uporablja predvsem trodimenzionalne (3D) MR slike možganov. Priporočljiv standardiziran protokol za zajem 3D MR slik možganov so T1 utežena (ang. T1-weighted, T1w) in FLAIR modaliteta zajema slik. Za namene napovedovanja prihodnjega poteka bolezni MS se uporablja meritve oziroma biomarkerje pridobljene iz MR slik, kot so meritve volumnov celotne možganovine, atrofija posameznih regij možganov, spremembe v volumnu sive možganovine, spremembe v volumnu in številu lezij po času glede na razvoj bolezni MS, itd. Klinična ocena napredovanja je podana z razširjeno lestvico prizadetosti (ang. expanded disability status scale, EDSS). Napovedovanje prihodnjega napredovanja prizadetosti zaradi bolezni MS oz. poteka EDSS je aktualna znanstvena tema, pri čemer zadnje raziskave v znanstvenih člankih poročajo sposobnost razvrščanja bolnikov z napredovanjem v bolezni MS z do 80% točnostjo, kar kaže na potencialno uporabnost metodologije za implementacijo le te kot prognostičnega orodja v procesu zdravljenja bolezni MS. Podatki: Podatkovna baza uporabljena v magistrski nalogi je nastala v okviru študije Artificial Intelligence in predicting Progression in Multiple Sclerosis study (AI ProMiS) in vsebuje 3D magnetno resonančne (MR) slike bolnikov z multiplo sklerozo (MS), demografske in klinične podatke o bolnikih. Vsebuje 1284 T1w in FLAIR MR slik pridobljenih za 486 bolnikov, od tega 71,3% ženskega in 28,7% moškega spola, s povprečno starostjo 39,7 ± 10,3 let. Končna množica podatkov sestoji iz meritev volumna in števila lezij, informacij o pacientu, kot so starost, spol, vrednosti EDSS, ter meritve volumnov možganskih struktur ter pripadajoče normalizirane volumne glede na volumen znotrajlobanjskega prostora možganskih struktur in meritve asimetrije med pripadajočimi strukturami možganov v levi in desni hemisferi. Razmerje bolnikov s prihodnjim napredovanjem v bolezni MS oz. brez napredovanja je v dani podatkovni množici v razmerju 1:4. Metode: Zasnova učenja in vrednotenja napovednih modelov vključuje tri glavne korake: (i) izbira relevantnih značilnic, (ii) preslikava prostora značilnic v prostor nižje dimenzije ter (iii) metodo razvrščanja. Uporabljene so bile metode za izbiro značilnic na podlagi korelacijskega filtra (ang. Correlation-based Feature Selection, CFS), metoda z rekurzivno eliminacijo značilnic (ang. Recursive Feature Elimination, RFE), metoda LASSO (ang. least absolute shrinkage and selection operator, LASSO) in genetski algoritem (ang. Genetic Algorithm, GA). Za namene zmanjšanja in preslikave dimenzij prostora vhodnih značilnic se je uporabila metoda analize glavnih komponent (ang. Principal Component Analysis, PCA). Uporabljeni modeli za razvrščanje vzorcev v razrede so bili metoda K-najbližjih sosedov (ang. k-nearest neighbors, KNN), naključni gozdovi (ang. Random Forest, RF) in metoda podpornih vektorjev (ang. Support Vector Machines, SVM). Kombinacije metod izbire značilnic, z ali brez PCA, in modelov razvrščanja smo učili in vrednotili s štirikoračno križno validacijo in kot mere sposobnosti razvrščanja izračunali površino pod delovno karakteristiko sprejemnika (ang. area under the receiver operating curve, AUC), točnost, občutljivost in specifičnost. Rezultati: Z vidika primerjave med izbranimi metodami za izbiro optimalne podskupine značilnic se je kot najuspešnejša pokazala metoda s korelacijskim filtrom, ki daje v kombinaciji z vsemi tremi razvrščevalnimi modeli najboljše rezultate. Najboljše rezultate smo pridobili z uporabo metode s korelacijskim filtrom v povezavi s PCA metodo ter SVM razvrščevalnikom (ang. support vector classifier, SVC), ki je podal vrednost metrik uspešnosti razvrščanja vzorcev v razrede: AUC 0,77, točnosti 0,69, občutljivosti 0,72 in specifičnosti 0,68. Iz rezultatov je viden tudi pozitiven vpliv implementacije metode za zmanjšanje dimenzije oz. preslikavo vhodnih podatkov PCA, ki v splošnem izboljšajo delovanje modelov. Zaključek: Rezultati eksperimentov pridobljeni tekom magistrske naloge so navkljub različni in v našem primeru precej heterogeni množici MRI slik, pridobljeni na petih različnih skenerjih iz štirih različnih inštitucij, razmeroma primerljivi z najboljšimi rezultati pretekle študije [45] in potrjujejo hipotezo o zmožnosti napovedi prihodnjega napredovanja bolezni MS na osnovi meritev možganskih struktur pridobljenih iz T1w in FLAIR MR slik.20232023-08-31 11:03:09Magistrsko delo/naloga148792sl