Regresijski modeli za napovedovanje likvorskih biomarkerjev Alzheimerjeve bolezni

Podobnik, Gašper (avtor), Špiclin, Žiga (mentor)

Opis 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.

• Jezik: Slovenski jezik
• Ključne besede: Alzheimerjeva bolezen, demenca, MRI, PET, lumbalna punkcija, cerebrospinalna tekočina, likvor, CSF biomarkerji, beta amiloid, tau protein, regresija, strojno učenje, globoke nevronske mreže, globoko učenje
• Vrsta gradiva: Magistrsko delo/naloga
• Organizacija: FE - Fakulteta za elektrotehniko
• Leto izida: 2020
• PID: 20.500.12556/RUL-119818
• Datum objave v RUL: 11.09.2020

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Regression models for predicting cerebrospinal fluid biomarkers of Alzheimer's disease

Izvleček

Problem motivation: Alzheimer's disease (AD) is the most common cause of dementia and estimated by World Health Organisation as the fifth most common cause of death in the world. The increasing proportion of elderly population, which is particularly pronounced in the developed countries, is predicted to double, compared to 2020 figures, the number of Alzheimer's dementia patients by 2050. Currently treatment for AD is not available, but research shows that early diagnosis of this disease would importantly expedite the development of drugs and symptomatic therapies. Early diagnosis of AD is a difficult and therefore still open and important research question due to the relatively late development of AD signs. Cerebrospinal fluid (CSF) biomarkers and some imaging biomarkers such as positron emission tomography (PET) and magnetic resonance imaging (MRI) show great potential. In the master's thesis we evaluated regression models based on the analysis of blood test data, PET and MRI images, with the aim to predict concentrations of CSF-extracted beta amyloid, tau protein (total-tau) and phospho-tau (pTau-181). In practice, these CSF values are usually determined by laboratory tests on CSF samples obtained by lumbar puncture (LP). Due to the invasiveness of LP and associated hazards, predicting the value of CSF parameters from a non-invasive test data - such as MRI imaging - is a clinically interesting idea and the central problem of investigation in this master's thesis. Methods: regression of CSF parameters from 3D PET and MRI medical images from a total of seven datasets was performed with deep neural networks and, as the baseline, classical machine learning models were implemented using blood test results and Standard Uptake Value Ratio calculated from Pittsburg compound B PET images. Results: as expected, regression models trained on the results of routine blood tests showed poor performance, which indicates that classical blood tests do not contain relevant information for predicting the values of the CSF parameters. More accurate CSF parameter regression models were based on PET images and SUVR ratios with an average relative absolute error of the order of 15 % of the range of the target CSF variable. Models performed worse at interval ends of the target variable. The cause is most likely a markedly uneven distribution of input data, making it difficult to train models of deep neural networks. Models trained on MRI images showed a slightly higher average regression error than PET images and with larger errors at target variable interval ends. Conclusion: the developed regression models do not seem clinically applicable due to large deviations at target variable interval ends. In the intervals, where there were sufficient input and associated CSF data the regression error was about 30 percent with respect to the reference value, which could be clinically feasible given the dichotomous treatment of CSF value in the AD diagnosis domain. We feel that the developed regression models show potential for improved accuracy of prediction of CSF values in case additional data samples are provided from the underrepresented intervals of the target CSF variable.

• Ključne besede: Alzheimer's Disease, Dementia, MRI, PET, lumbar puncture, cerebrospinal fluid, CSF biomarkers, amyloid beta, tau protein, regression, Machine Learning, Deep Neural Networks, Deep Learning