ディープラーニング研究、MRIと遺伝学的情報を認知症リスクおよびアルツハイマー病進行に関連付け
MRI、遺伝学的データ、縦断画像を用いたディープラーニング研究により、認知症リスク予測の精度向上と、アルツハイマー病進行中の脳領域変化の動的パターンが示された。画像情報と遺伝学的情報の統合、および縦断的変化の解析は、早期診断と病態理解の向上に寄与する可能性がある。
ディープラーニングモデルを用い、構造MRIと遺伝学的データを組み合わせた研究により、認知症リスク予測の改善と、Alzheimer’s diseaseの進行過程における脳の動的変化が示された。ある研究では、画像データと遺伝学的データを統合したモデルが、Rotterdam Studyの参加者3,521人と外部検証用サンプル515例において、最高C-index 0.90/0.69を達成した。一方、別の縦断的MRI研究では、amygdala、parahippocampal gyrus、temporal lobeなどの領域の重要性が、AD進行全体を通じて動的に変化することが報告された。
認知症リスクの正確な予測は難しく、その実現には画像データと遺伝学的データ、およびそれらの複雑な相互作用をより適切に活用することが有用である可能性がある。ある研究では、Rotterdam Study参加者3,521人、磁気共鳴画像法（magnetic resonance imaging）6,340件を対象とし、認知症の追跡臨床診断を行ったほか、外部検証としてAlzheimer’s Disease Neuroimaging Initiativeの515サンプルを用いた。遺伝学的データには、APOE-ε4 status and 76 additional SNPsが含まれていた。研究者らは、Convolutional Neural NetworksとCox Proportional Hazardsモデルを組み合わせたモデルを開発し、事後的説明も提示した。
これらのモデルは、年齢、性別、遺伝学的入力を含むCox Proportional Hazardsモデルと比べ、Rotterdam Studyおよび外部検証の両方でC-index 0.88/0.63 対 0.85/0.58と優れた成績を示し、p-value 0.02/0.002であった。ただし、MRIマーカーも含むCox Proportional Hazardsモデル（0.89/0.66）を上回る性能には至らなかったものの、外部検証における年齢層別予測では追加的な予測可能性が得られた。さらに、CNNの画像特徴をCox Proportional Hazardsモデルに組み込むことで、性能は最高のC-index 0.90/0.69まで向上した。予測において最も重要性が高かったのは年齢と画像であり、年齢、画像、遺伝学的特徴が最も強い相互作用を示した。
別の研究では、Alzheimer’s diseaseは不可逆的な神経変性疾患であり、その進行は時間と密接に関連している一方で、多くの診断モデルは単一時点のデータに基づいており、疾患の縦断的特性を見落としているとされた。構造磁気共鳴画像法は、AD研究で広く活用されてきた。縦断的AD研究における多時系列解析の必要性と、異なる脳組織からの特徴統合という課題に対応するため、研究者らは疾患診断のための**Multi-Branch Fusion Channel Attention Network (MBFCA-Net)**を提案した。
このネットワークは、縦断スキャン間の時間的相関を活用して、ADを効果的に検出する。研究ではまた、疾患段階ごとの脳領域の寄与を定量化するため、後ろ向きの解釈可能性解析を実施した。その結果、amygdala、parahippocampal gyrus、temporal lobeなどの領域の重要性は、ADの進行全体を通じて動的に変化することが示された。さらに、AD-related voxel clustersは、hippocampusからtemporal lobeへと移行し、分散した分布からより集約的な分布へと変化する発達傾向を示した。
これらの研究は、認知症リスク予測において画像データと遺伝学的データを実行可能に統合でき、有益な特徴抽出、信頼できる説明、予測性能向上の可能性をもたらすとした。また、AD関連変化の縦断的パターンは、疾患の早期診断および病態理解に寄与する可能性があると述べた。