Deep-Learning-Studien verknüpfen MRT und Genetik mit Demenzrisiko und Alzheimer-Progression

Deep-Learning-Modelle, die strukturelle MRT- und genetische Daten nutzen, zeigten eine verbesserte Vorhersage des Demenzrisikos und identifizierten dynamische Hirnveränderungen während der Progression der Alzheimer-Krankheit. In einer Studie erreichten Modelle, die Bildgebungs- und Genetikdaten von 3.521 Teilnehmenden der Rotterdam Study und 515 externen Validierungsproben integrierten, einen höchsten C-Index von 0,90/0,69, während eine separate longitudinale MRT-Studie berichtete, dass sich die Bedeutung von Regionen wie Amygdala, parahippocampalem Gyrus und Temporallappen im Verlauf der AD-Progression dynamisch verändert.

Eine genaue Vorhersage des Demenzrisikos ist schwierig und könnte durch eine bessere Nutzung von Bildgebungs- und Genetikdaten, einschließlich ihrer komplexen Wechselwirkungen, erleichtert werden. Eine Studie umfasste 3.521 Teilnehmende der Rotterdam Study, 6.340 Magnetresonanztomographie-Scans, mit klinischer Verlaufsdiagnose für Demenz, und nutzte 515 Proben aus der Alzheimer’s Disease Neuroimaging Initiative als externe Validierung. Die genetischen Daten umfassten den APOE-ε4-Status und 76 zusätzliche SNPs. Die Forschenden entwickelten Modelle, die Convolutional Neural Networks und Cox-Proportional-Hazards-Modelle kombinierten, und lieferten Post-hoc-Erklärungen.

Die Modelle übertrafen Cox-Proportional-Hazards-Modelle mit Alter, Geschlecht und genetischen Eingaben sowohl in der Rotterdam Study als auch in der externen Validierung mit einem C-Index von 0,88/0,63 gegenüber 0,85/0,58 bei einem p-Wert von 0,02/0,002. Obwohl ihre Leistung Cox-Proportional-Hazards-Modelle, die zusätzlich MRT-Marker einschlossen (0,89/0,66), nicht übertraf, wurde bei altersstratifizierten Vorhersagen in der externen Validierung eine zusätzliche Vorhersagbarkeit erzielt. Die Einbeziehung von CNN-Bildmerkmalen in Cox-Proportional-Hazards-Modelle steigerte die Leistung weiter auf den höchsten C-Index von 0,90/0,69. Alter und Bilddaten hatten die höchste Bedeutung für die Vorhersage, wobei Alter, Bild- und genetische Merkmale die stärksten Wechselwirkungen zeigten.

Eine separate Studie erklärte, dass die Alzheimer-Krankheit eine irreversible neurodegenerative Erkrankung ist, deren Progression eng mit der Zeit assoziiert ist, die meisten diagnostischen Modelle jedoch auf Daten eines einzelnen Zeitpunkts basieren und longitudinale Krankheitsmerkmale außer Acht lassen. Die strukturelle Magnetresonanztomographie wurde in der AD-Forschung weithin eingesetzt. Um dem Bedarf an Multizeitreihenanalysen in der longitudinalen AD-Forschung und der Integration von Merkmalen aus verschiedenen Hirngeweben gerecht zu werden, schlugen die Forschenden ein Multi-Branch Fusion Channel Attention Network (MBFCA-Net) für die Krankheitsdiagnose vor.

Das Netzwerk nutzt die zeitlichen Korrelationen über longitudinale Scans hinweg für eine effektive AD-Erkennung. Die Studie führte zudem eine retrospektive Interpretierbarkeitsanalyse durch, um die Beiträge von Hirnregionen über die Krankheitsstadien hinweg zu quantifizieren. Die Ergebnisse zeigen, dass sich die Bedeutung von Regionen wie Amygdala, parahippocampalem Gyrus und Temporallappen im Verlauf der AD-Progression dynamisch verändert. Darüber hinaus zeigen AD-bezogene Voxel-Cluster einen Entwicklungstrend, indem sie sich vom Hippocampus zum Temporallappen verlagern und von einer verstreuten zu einer stärker aggregierten Verteilung übergehen.

Den Studien zufolge lassen sich Bildgebungs- und Genetikdaten praktikabel für die Vorhersage des Demenzrisikos integrieren, mit informativer Merkmalsextraktion, verlässlichen Erklärungen und potenziellen Vorhersagegewinnen; zudem könnten longitudinale Muster AD-bezogener Veränderungen zur Frühdiagnose und zum pathologischen Verständnis der Erkrankung beitragen.