Deep-Learning-Framework verbessert die Diagnose vaskulärer kognitiver Beeinträchtigungen

Die subkortikale ischämische Gefäßerkrankung (SIVD), die durch eine zerebrale Erkrankung der kleinen Gefäße verursacht wird, ist häufig durch Hyperintensitäten der weißen Substanz und mehrere lakunäre Infarkte gekennzeichnet. Bei einem erheblichen Teil der Patienten kommt es allmählich zu einem kognitiven Verfall und zu einer subkortikalen vaskulären kognitiven Beeinträchtigung (SVCI). Die frühe Unterscheidung zwischen SVCI und SIVD ohne kognitive Beeinträchtigung ist wichtig, um den kognitiven Rückgang zu verlangsamen und Interventionsstrategien zu steuern. Die aktuelle SVCI-Diagnose hängt jedoch in der Regel von der kombinierten Beurteilung klinischer Symptome, struktureller MRT und neuropsychologischer Skalen ab, was zeitaufwändig und anfällig für Beurteilungsbedingungen und subjektive Voreingenommenheit sein kann, insbesondere bei älteren Menschen oder in Umgebungen mit begrenzten Ressourcen. Darüber hinaus sind Hyperintensitäten der weißen Substanz im konventionellen strukturellen MRT auch bei älteren Erwachsenen häufig, was ihre Spezifität und Empfindlichkeit für frühe mikrostrukturelle Verletzungen der weißen Substanz einschränkt.

Die Diffusionstensor-Bildgebung (DTI) kann sensiblere Informationen über die Mikrostruktur der weißen Substanz liefern, während Deep Learning das Potenzial hat, krankheitsrelevante Bildgebungsmerkmale automatisch zu extrahieren. Daher ist der Einsatz von DTI und interpretierbarem Deep Learning zur genauen Identifizierung von SVCI und zur weiteren Profilierung individueller Risiken über kognitive Bereiche hinweg zu einer wichtigen Richtung geworden, um eine präzise Diagnose und personalisierte Intervention bei SVCI voranzutreiben.“

Miao He, Autorin, Forscherin, Capital Medical University

In dieser Studie wurde ein auf Diffusion Tensor Imaging (DTI) basierendes Deep-Learning-Framework entwickelt, um subkortikale vaskuläre kognitive Beeinträchtigungen (SVCI) bei Patienten mit subkortikaler ischämischer Gefäßerkrankung (SIVD) zu identifizieren und das kognitive Multidomänenrisiko weiter zu stratifizieren. Die Forscher sammelten DTI-Scans und neuropsychologische Skalendaten von einer internen Kohorte von 134 SVCI-Patienten und 171 SIVD-Patienten ohne kognitive Beeinträchtigung und nutzten eine externe Gemeinschaftskohorte von 90 SVCI-Patienten und 103 SIVD-Patienten für unbeaufsichtigte Domänenanpassung und unabhängige Tests. Nach der Vorverarbeitung wurden DTI-Bilder in Mikrostrukturmetriken der weißen Substanz umgewandelt, einschließlich FA, MD, AD und RD, die dann zur SVCI-Klassifizierung in ein DenseNet-Modell eingespeist wurden. Eine unbeaufsichtigte Domänenanpassungsstrategie wurde angewendet, um Verteilungsunterschiede zwischen Datensätzen zu reduzieren und die Modellverallgemeinerung auf externen Daten zu verbessern. Anschließend verwendeten die Forscher hervorstechende Karten, um wichtige Regionen der weißen Substanz zu identifizieren, die zu Modellentscheidungen beitragen, und berechneten Mutual-Information-Karten zwischen DTI-Bildern und sechs neuropsychologischen Skalen, darunter MMSE, MoCA, Immediate Recall, Delayed Recall, TMT-A und TMT-B. Schließlich wurden SVCI-Patienten durch die Messung der strukturellen Ähnlichkeit zwischen der hervorstechenden Karte und den domänenspezifischen Mutual-Information-Maps jedes Individuums und durch die Anwendung unbeaufsichtigter Clustering für jede kognitive Domäne in Untergruppen mit niedrigem, mittlerem und hohem Risiko stratifiziert.

Die Ergebnisse zeigten, dass das DTI-basierte DenseNet-Modell SVCI genau von SIVD-Patienten ohne kognitive Beeinträchtigung unterscheiden konnte und eine gute Generalisierung externer Daten beibehielt. Im internen Testset erreichte das Modell eine Genauigkeit von 0,902; Nach Einbeziehung der unbeaufsichtigten Domänenanpassung erreichte die Genauigkeit im Zieldomänen-Testsatz 0,926 mit einer AUC von 0,942, was auf eine stabile Leistung über verschiedene Bildquellen hinweg hinweist. Die modellgenerierten SVCI-Wahrscheinlichkeiten waren signifikant mit mehreren neuropsychologischen Skalen verbunden, darunter MoCA, MMSE, Immediate Recall, Delayed Recall und TMT-A/TMT-B, was darauf hindeutet, dass die Vorhersageausgabe nicht nur für die Klassifizierung nützlich war, sondern auch den Schweregrad der kognitiven Beeinträchtigung widerspiegelte. Die Analyse wichtiger Karten zeigte außerdem, dass Modellentscheidungen hauptsächlich auf Bahnen der weißen Substanz wie der Corona radiata, dem Corpus callosum, dem hinteren Schenkel der inneren Kapsel, dem Fasciculus longitudinalis superior, der hinteren Thalamusstrahlung und der äußeren Kapsel beruhten, wobei die Corona radiata den größten Beitrag leistete. Diese Regionen stehen in engem Zusammenhang mit Gedächtnis, exekutiver Funktion, Aufmerksamkeit und visuell-räumlichen Defiziten, die häufig bei SVCI beobachtet werden. Für die kognitive Profilierung fanden die Forscher unterschiedliche Relevanzmuster der weißen Substanz über verschiedene neuropsychologische Skalen hinweg und nutzten strukturelle Ähnlichkeiten zwischen einzelnen hervorstechenden Karten und gegenseitigen Informationskarten, um SVCI-Patienten für jede kognitive Domäne in Untergruppen mit niedrigem, mittlerem und hohem Risiko einzuteilen. Patienten mit höherer Ähnlichkeit zeigten eine schlechtere kognitive Leistung, was darauf hindeutet, dass dieser Rahmen die individualisierte Multidomänen-kognitive Risikostratifizierung weiter unterstützen kann.

Die Bedeutung dieser Arbeit liegt nicht nur in der genauen Unterscheidung von SVCI von SIVD mithilfe von DTI und DenseNet, sondern auch darin, die bildgebende KI über die Krankheitsklassifizierung hinaus hin zu einer individualisierten kognitiven Risikoprofilierung zu bewegen. Durch unbeaufsichtigte Domänenanpassung behielt das Modell eine gute Verallgemeinerung externer Daten bei; Durch die Kombination von hervorstechenden Karten mit gegenseitigen Informationskarten zeigte die Studie außerdem, dass die vom Modell hervorgehobenen Regionen der weißen Substanz neuropsychologisch bedeutsam waren und Beeinträchtigungsrisiken in kognitiven Bereichen wie Gedächtnis, exekutiver Funktion und Aufmerksamkeit widerspiegeln könnten. Dieser Ansatz bietet Klinikern ein objektiveres und skalierbareres ergänzendes Instrument, insbesondere in Situationen, in denen umfassende neuropsychologische Tests schwierig durchzuführen sind, und bietet eine neue Richtung für eine präzise Stratifizierung und personalisierte Intervention bei SVCI-Patienten. Gleichzeitig bleiben einige Einschränkungen bestehen: Die Stichprobengröße ist für Deep-Learning-Training immer noch relativ bescheiden, die Generalisierbarkeit über Zentren, Scanner und Populationen hinweg erfordert eine Validierung in größerem Maßstab und die aktuelle Analyse ist hauptsächlich querschnittlich, was bedeutet, dass sie den zukünftigen kognitiven Rückgang auf individueller Ebene noch nicht direkt vorhersagen kann. Darüber hinaus müssen die Untergruppen des kognitiven Risikos durch langfristige Nachbeobachtung und multimodale Bildgebung weiter validiert werden.

„Zukünftige Studien, die größere multizentrische Längsschnittdatensätze, funktionelle Bildgebung und Blutbiomarker einbeziehen, könnten den klinischen Wert dieses Rahmenwerks für Präzisionsdiagnose und Interventionsberatung bei SVCI weiter steigern.“ sagte Miao He.

Zu den Autoren des Papiers gehören Miao He, Yunsi Yin, Junda Qu, Yan Wang, Xinwei Que, Xinyi Xia, Tongtong Zhang, Jiangting Li, Junyi Shen, Weihong Song, Qi Qin, Chunlin Li und Yi Tang.

Quellen: