Abbildung 5. Potenzial zur Detektion von Untergruppen in heterogenen Pathologien. Die obere Zeile ist eine überwachte Analyse mit Kenntnissen über die PPA-Variante; die untere Zeile ist unbeaufsichtigt, basierend nur auf Bild-Features. Die Farben in den Plots kodieren drei PPA-Varianten (L = logopenic, S = semantic, A = agrammatic). Das PCA-Diagramm (oben links) zeigt eine natürliche Trennung zwischen den Varianten. Ohne klinische Informationen werden die Bilder mit hoher Genauigkeit gruppiert (Rand Index = 0,71) (unten links). Die anatomischen Merkmale, die im PLS-DA-Modell (Mitte) extrahiert werden, wenn Patienten nach klinischen Informationen gruppiert werden (oben rechts) oder gruppiert nach Bild-Features (unten rechts) sind sehr ähnlich und stimmen mit den für die Varianten beschriebenen anatomischen Merkmalen überein, was darauf hindeutet, dass beide Methoden Gruppen basierend auf demselben anatomischen Muster ergeben. Wir haben die Leistung einer strukturbasierten Rechenanalyse zur Extraktion anatomischer Merkmale, die zuvor durch menschliche Erfahrungen und a priori biologisches Wissen beschrieben wurden, in bestimmten Patientenpopulationen bewertet. Zuvor testeten wir die Robustheit unseres automatisierten Quantifizierungsansatzes mit verschiedenen Bildprotokollen und Scannern, wobei wir Probanden mit unterschiedlichen Mustern und Graden der Hirnatrophie nutzten, und unsere Schlussfolgerungen mit denen von ausgebildeten Ärzten mittels visueller Analyse verglichen (Djamanakova et al., 2013; Faria et al., 2015; Liang et al., 2015). In der vorliegenden Studie haben wir getestet, ob wir Individuen einordnen und verschiedene Krankheiten in simulierten klinischen Szenarien anatomisch charakterisieren können. Unsere Datenbank enthält verschiedene Bildprotokolle und Scanner.
Die von den linearen Klassifikatoren berücksichtigten demografischen Informationen umfassen nur Alter und Geschlecht, die immer klinisch verfügbar sind. Obwohl wir bessere Klassifizierungsmodelle erstellen könnten, indem wir andere klinische Informationen hinzufügen, den Datensatz homogenisieren oder Klassifikatoren verwenden, die ausgefeilter sind als PLS-DA, würde dies das Potenzial für Verallgemeinerung und Ãœbersetzung in reale klinische Situationen verringern. Zusammenfassend betrachtet, anstatt die Größe der Klassifizierung, war unser Ziel, Modelle zu schaffen, die robust genug sind, um in die klinische Praxis übersetzt zu werden, und zumindest in einem ersten Schritt, sowie Kliniker in Bezug auf die Extraktion wichtiger anatomischer Merkmale und den Nachweis von anatomischen Mustern, die helfen, die semantische Lücke zu füllen. Im Gegensatz zu Krankheiten mit einem klaren anatomischen Phänotyp bieten solche, die heterogene anatomische und klinische Phänotypen oder subtile Anomalien oder unbekannte Zeitkurse umfassen, zusätzliche Herausforderungen für die visuelle und automatisierte Analyse. Dies ist z. B. bei AD der Fall. Bis heute gibt es etwa 100 Modelle zur Vorhersage der Umwandlung von leichten kognitiven Beeinträchtigungen in AD, basierend auf Bildgebung. Eine PubMed-Suche nach “Prediction of MCI to AD conversion MRT” zeigt 96 Publikationen in den letzten 10 Jahren; für neuere Rezensionen siehe (Shaffer et al., 2013; Sanchez-Catasus et al., 2017). Entweder erreichen sie eine unbefriedigende Genauigkeit oder eine hohe Genauigkeit auf Kosten der Ãœberanpassung, oder sie sind spät im Krankheitsverlauf.
Als Ergebnis können wir verallgemeinern, indem wir sagen, dass es noch keine effektive Vorhersage in klinischen Szenarien nützlich ist. Abbildung 4 kann einige Hinweise darauf geben, warum dies geschieht. Unser Klassifizierungsmodell erreichte eine Genauigkeit von 70 %.