Pindmise valgeaine omadused biomarkeritena Alzheimeri tõve ja kergete kognitiivsete häirete tuvastamiseks

Kontakt: emily.li@wecistanche.com

Bahare Bigham et al

Abstraktne:

Taust:

Meditsiinilise pildistamise ja töötlemise tööriistade väljatöötamisega on intelligentsed süsteemid teinud võimalikuks haiguste täpse diagnoosi. Tänu tugivektormasinate (SVM) märkimisväärsele võimele haiguste diagnoosimisel on SVM-i algoritmi abil läbi viidud ulatuslikud uuringud haiguste klassifitseerimiseks.Alzheimeri tõbihaigus(AD) ja kerge kognitiivne kahjustus (MCI).

Eesmärgid:

Selles uuringus kasutasime patsientide klassifitseerimiseks automatiseeritud meetoditAlzheimeri tõbiHaigusja MCI ja terved kontrollrühmad (HC) põhinevad pindmise valgeaine (SWM) difusioonitensorpildi (DTI) omadustel.

Osalejad:

Selleks laaditi DTI andmed alla aadressiltAlzheimeri tõbiHaigusNeuroimaging Initiative (ADNI). See meetod kasutas DTI andmeid 72 subjektilt: 24 HC-ga, 24 MCI-ga isikul ja 24 AD-ga isikul.

Mõõtmised: DTI töötlemine viidi läbi DSI Studio tarkvara abil ja kõik masinõppe analüüsid viidi läbi MATLAB tarkvara abil.

Tulemused:

SVM-i lineaarne tuum oli parim klassifikaator, mille täpsus oli 95,8 protsentiAlzheimeri tõbiHaigusja HC rühmad, millele järgneb SVM-i ruuttuum 83,3-protsendilise täpsusega MCI- ja HC-rühmade vahel ning SVM-i Gaussi tuum 83,3-protsendilise täpsusega AD- ja MCI-rühmade vahel. Järeldused: Arvestades AD ja MCI diagnoosimise tähtsust ning pindmise valgeaine rolli neurodegeneratiivsete haiguste diagnoosimisel, käsitletakse selles uuringus SWM-i erinevate DTI meetodite omadusi, mis võiksid olla kasulikud abivahendid. AD ja MCI diagnoosimisel.

Märksõnad: tugivektori masin, difusioontensorpildistamine,Alzheimeri tõbihaigus, kerge kognitiivne kahjustus, Pindmine valgeaine

Klõpsake siin, et saada rohkem teavet Cistanche kohta Alzheimeri tõve jaoks

1. Sissejuhatus

Seoses elanikkonna vananemise suurenemisega on võimalik täpselt ja tõhusalt tuvastadaAlzheimeri tõbi(AD) on muutunud ühiskonnas oluliseks probleemiks [1]. Kerge kognitiivne kahjustus (MCI) on seisund normaalse vananemisega seotud kognitiivse languse ja dementsuse raskema languse vahel. Kuna MCI-le ei ole spetsiifilist ravi ja selle dementsuse progresseerumise oht on suur, on haiguse diagnoosimine ja ennetamine väga olulised [2].

Neurodegeneratiivne haigus mõjutab sageli teatud ajupiirkondi. Pindmine valgeaine (SWM) on retrogeneesi mudeli kohaselt üks piirkondi, mis on paljude haiguste suhtes väga haavatavad [3, 4]. Selles uuringus töötasime välja tugivektori masina (SVM) mudeli, mis klassifitseerib HC, MCI ja AD subjektid SWM-i omaduste põhjal.

Tänu automaatsüsteemide tehnoloogia arengule erinevates meditsiiniteaduste valdkondades aitavad masinõppesüsteemid arstidel haigusi automaatselt diagnoosida [5]. SVM on juhendatud masinõppetehnikana väga võimas tööriist suurandmete analüüsis [1].

Laialdaselt arvatakse, et aju kuvamismeetoditel on ajuhaiguse diagnoosimise potentsiaal. Neid tehnikaid kasutades saab tuvastada probleeme inimese ajus, ilma et oleks vaja invasiivset neurokirurgia. Praegu kasutatakse teaduskeskustes ja haiglates üle maailma mitmeid tunnustatud ohutuid pildistamistehnikaid [6]. Difusioontensorpildistamine (DTI) on uudne MRI-l põhinev neuroimaging tehnika, mis võimaldab hinnata neuronaalsete kiudude terviklikkust [7].

DTI andmete rekonstrueerimise võib jagada kahte kategooriasse: mudelivabad ja mudelipõhised meetodid. Mudelipõhised meetodid, nagu DTI rekonstrueerimine, eeldavad, et vee difusiooni kuju järgib 3D Gaussi mustrit, kuid mudelivaba meetodi puhul, nagu q-ruumi difeomorfse rekonstrueerimise (QSDR) meetod, jaotumise kohta eeldusi ei ole. QSDR-meetod rekonstrueerib andmed Montreali Neuroloogiainstituudi (MNI) ruumis [8]. DSI Studio tarkvara (www. dsi-s tudio.labsolver.org) toetab nii mudelipõhiseid kui ka mudelivabasid rekonstrueerimismeetodeid.

DTI rekonstrueerimismeetodist saadakse erinevad mõõtmised, sealhulgas keskmine difusioon (MD), fraktsionaalne anisotroopia (FA), aksiaalne difusioon (AxD) ja radiaalne difusioon (RD). Tiheduspõhised mõõtmised, mis on saadud QSDR rekonstrueerimismeetodist, hõlmavad kvantitatiivset anisotroopiat (QA), isotroopset väärtust (ISO), piiratud difusiooni kujutist (RDI) ja nii edasi.

QA on mõõdik, mis võimaldab kvantifitseerida pöörlemispopulatsiooni kindlas suunas ja lahendada kiudude populatsiooni (täpsemalt kiudude ristumine). Normaliseeritud QA (QA) skaala arvutamiseks normaliseeritakse maksimaalne QA väärtus ühele, nii et QA oleks subjekti lõikes paremini võrreldav [9].

RDI on meetod piiratud difusiooni tiheduse kvantifitseerimiseks difusiooni nihke vahemikus (nt 10 mikronit) [10].

Võimalus hinnata tensori abil difusiooni põhisuunda on andnud ka traktograafia tehnika, mida on kasutatud ühenduvusmaatriksi ja võrgumõõtude arvutamiseks [11].

Aju on kujutatud kompleksse võrgustikuna, mis koosneb struktuurselt ja funktsionaalselt seotud neuronitest ja ajupiirkondadest. Ajuvõrk (või graafik) koosneb sõlmedest (esindavad neuroneid või ajupiirkondi), mis on ühendatud joontega (ühenduvus ajupiirkondade vahel) [12].

Võrguteadus võib aidata vähendada analüütilise ajuarhitektuuri keerukust ja mõista aju ühenduvusmustreid ning anda teavet kliiniliste häirete kohta [13].

Võrgumõõtmised hõlmavad assortiivsust, tõhusust, PageRank-i, vahemaad, väikese maailma võrgustikku ja nii edasi; neid kasutatakse inimaju kui võrgustiku struktuuri ja funktsiooni paremaks mõistmiseks [14].

Ainult mõned uuringud on nii DTI kui ka QSDR rekonstrueerimisel kasutanud erinevaid analüüsimeetodeid, nagu huvipakkuv piirkond (ROI), traktograafia ning ühenduvus ja võrk. Rakendasime AD ja MCI, AD ja HC ning MCI ja HC automaatseks binaarseks tuvastamiseks SVM-tehnikat, mis põhines ülalnimetatud analüüsimeetoditega pindmisest valgeainest eraldatud tunnustel.

2. Materjalid ja meetodid

Selles artiklis esitatud andmed on välja võetud M.Sc. doktoritöö ning selle vaatas läbi ja kiitis heaks Mashhadi meditsiiniteaduste ülikooli eetikakomitee (eetiline number: IR.MUMS.MEDICAL.REC.1397.320).

Toimingud on järgmised.

2.1. Andmete hankimine

Kolme rühma 72 osaleja andmed laaditi alla saidiltAlzheimeri tõbiHaigusNeuroimaging Initiative (ADNI) andmebaas. Selle uuringu subjektid, sealhulgas isikud AD (n ¼ 24), MCI (n ¼ 24) ja kontrollrühmadest (n ¼ 24), värvati ADNI2 projektist.

Katsealuste koguaju DTI genereeriti ADNI2 projektist järgmiste skaneerimisparameetritega: Tootja ¼ GE MEDICAL SYSTEMS; Maatriks X ¼ 256.0 pikslit; Maatriks Y ¼ 256.{5}} pikslit; Maatriks Z ¼ 2714.0; Piksli suurus X ¼ 1,4 mm; Piksli suurus Y ¼ 1,4 mm; PulseSequence ¼ EP/SE; kordusaeg (TR) 13000 ms, kajaaeg (TE) 68,3 ms, pöördenurk 90, väljatugevus 3,0, lõigu paksus 2,7 mm, 41 mittekollineaarset suunda koos b-ga -väärtus 1000 s/mm2 ja 5 kujutist ilma difusioonikaaluta. Lisaks piltidele laaditi alla ka katsealuste kliinilised ja neuropsühholoogilised andmed.

2.2. DTI töötlemine

Iga algandmete jaoks viidi läbi järgmised peamised sammud, et eraldada SWM-i DTI-tehnikate omadused (näidatud joonisel 1). Kõik need protsessid viidi läbi DSI Studio tarkvara abil (töötanud Fang-Cheng Yeh Taiwani riiklikust ülikoolihaiglast Advanced Biomedical MRI Lab, toetas Fiber Tractography Lab.

2.2.1. Eeltöötluse ja rekonstrueerimise etapp

Enne DTI parameetrite mõõtmist korrigeeriti pea liikumist ja pöörisvoolu ning kolju eemaldamist. Kolju eemaldamiseks ja taustapiirkonna filtreerimiseks kasutasime DSI Studio pakutavaid maske. Järgmises etapis kasutasime DSI Studios kahte erinevat rekonstrueerimismeetodit, sealhulgas mudelibaasi (DTI) ja vaba mudeli (QSDR) valikut; kahe erineva suhtumisega difusioonipiltide töötlemiseks.

2.2.2. ROI lähenemine

Pärast rekonstrueerimisetappi saadi ROI-st, traktograafiast ja ühenduvusest ning võrgumeetoditest erinevad DTI parameetrid. ROI on konkreetse eesmärgi identiteet, praeguses uuringus SWM piirkond. Selle piirkonna mask (MNI-ruumis) saadi Arash Nazeri jt sarnasest uuringust [15, 16].

Vastavalt ajupiirkondade jaotusele Terminologia Anatomica 1998 [17] ja Terminologia Neuroanatomica 2017 (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca. Föderatiivne rahvusvaheline anatoomilise terminoloogia programm, veebruar 2017) jagasime SWM piirkonna järgmisteks osadeks. Talairachi atlase [18] järgi 12 anatoomilist piirkonda, sealhulgas otsmiku-, parietaal-, oimu-, kukla-, limbilis- ja saaresagarad (mõlemal küljel) (joonis 2). Neid piirkondi kinnitasid kaks kogenud radioloogi. Lõpuks lisasime alamregioonide SWM atlase paremaks ja lihtsamaks juurdepääsuks DSI-Studio tarkvaraatlastele. Kokku arvutati iga piirkonna jaoks 12 SWM piirkonda ning keskmised DTI ja QSDR väärtused.

2.2.3. Traktograafia lähenemine

Traktograafia parameetrite eraldamiseks kasutati DTI ja QSDR rekonstrueerimiseks vastavalt kiudude jälgimise läve määramiseks FA ja QA indekseid. Algselt paigutati SWM-piirkonnad (kui ROI) ja traktograafia viidi läbi piirkondadest eraldi. Iga SWM-piirkonna traktograafia viidi läbi 100000 seemnega, mis genereeriti juhuslikult subvokslite positsioonides, ja seemned paigutati kõikidesse SWM-piirkondadesse sammu suurusega 0 (0,5 vokslit). 1,5 voksli kaugusele) ja silumisväärtuseks 1. Külvipunkti primaarkiust jälgimine määrati voolujooneliseks (Euler) ja suunainterpolatsioon määrati trilineaarseks. Kiu pikkuse vahemik määrati 30 ja 300 mm vahele.

2.2.4. Ühenduvus ja võrguanalüüs

Pärast traktograafia läbiviimist saadi QSDR-i rekonstrueerimismeetodi abil struktuurne ühenduvus aju SWM-piirkondade ja ajuvõrgu meetmete vahel. Selleks kasutati ühenduvuse ja võrguparameetrite eraldamiseks valikut "Ühenduvusmaatriks". Nii et pärast kogu aju traktograafia tegemist hinnati SWM-i piirkondade vahelisi seoste mõõtmisi ühenduste arvu põhjal. Samuti saadi erinevatest SWM piirkondadest võrgust mõõdetud teave (nt tõhusus, assortiivsus, vaheline seos jne).

2.3. Klassifitseerimismeetodid

Lisasime nii rekonstrueerimise kui ka mõõdetud parameetrite DTI parameetrid ROI-st, traktograafiast, ühenduvusest ja võrgumeetoditest (st FA, MD, RD, AxD ja QA, QA, iso, RDI, võrguväärtused ja mitmed ühendused ajupiirkondade vahel). Iga rühm teisendati CSV-failideks, et sisestada klassifitseerimise jaoks MATLAB-tarkvara. Igaühest eraldatud funktsioonid koosnesid 504 ROI meetodi tunnusest, 576 traktograafia meetodi tunnusest ning 702 ühenduvus- ja võrgumeetodi tunnusest. Pärast tunnuste sorteerimist hinnati iga subjekti tunnuste vektorit 1782. aasta tunnuste põhjal. Tunnuste maatriksite ettevalmistamiseks SVM klassifitseerimismudeli sisendiks loodi rühmadevahelised maatriksid (HC-AD, HC-MCI ja MCI-AD) iga rühma jaoks spetsiifiliste siltidega.

Kõik masinõppe analüüsid viidi läbi MATLAB tarkvara (R2014a) abil. Sammud saab jagada järgmiseks vooskeemiks (nagu on näidatud joonisel 3).

Pärast DTI andmetöötlust, funktsioonide eraldamist ja funktsioonivektori loomist viidi läbi funktsioonide valik.

2.3.1. Funktsioonide valik

Selles neuropiltimise uuringus oli tunnuste arv subjekti kohta väga suur. Seega kasutasime klassifitseerimise jaoks kõige asjakohasemate tunnuste (või parameetrite) tuvastamiseks meetodit, mis põhines kiirel korrelatsioonil põhineval filtril (FCBF), mis on funktsioonide valiku meetod suuremõõtmeliste andmete jaoks [19].

Pärast DTI töötlemist valitakse funktsioonid FCBF-meetodite abil ja seda kasutatakse SVM-is binaarseks klassifitseerimiseks.

2.3.2. Õppimine ja klassifitseerimine

Pärast funktsioonide valimist teostasime treeningandmete jaoks sisemise 5-kordse ristvalideerimise ja rakendasime SVM-algoritmi, kasutades kolme rühma vahel binaarset klassifikatsiooni. Ristvalideerimine on mudeli valideerimise tehnika, mida kasutatakse toimivuse üldistamise tagamiseks; see on ka kordusvalimimise meetod, mida kasutatakse mudeli hindamiseks, kui meil on piiratud andmeid [20]. Kokku hindasime lineaarset, ruut-, kuup- ja Gaussi tuuma (peen, keskmine, jäme). Lineaarsete, ruut- ja Gaussi tuumade paremate tulemuste tõttu ning uuringu keerukuse vähendamiseks teatasime nende kolme tuuma tulemused. Lõpuks näitame vastuvõtja töökarakteristiku (ROC) kõverat ja kõveraalust pindala (AUC) iga klassifikatsiooni parima tuuma jaoks (nagu on näidatud joonisel 4).

2.3.3. Hindamine

Kui SVM-algoritm on välja õpetatud, kasutatakse klassifitseerimise toimivuse hindamiseks tulemusi, sealhulgas täpsust, spetsiifilisust ja tundlikkust, mis on määratletud järgmiselt.

Üldiselt viitab nendes võrrandites tõene positiivne (TP) õigesti ennustatud patsientide arvule, valepositiivne (FP) tervete kontrollide arvule, keda prognoositakse valesti patsientidena, tõene negatiivne (TN) viitab õigesti ennustatud tervete kontrollide arvule. , ja vale negatiivne (FN) viitab patsientide arvule, keda on valesti ennustatud terveteks [21].

3. Tulemus

3.1. Demograafilised ja kliinilised tunnused

Osalejate demograafia ja kliinilised skoorid on näidatud tabelis 1. Kolme rühma vahel vanuse ja soo osas olulisi erinevusi (P > 0,05) ei esinenud (vt tabel 1). Vaimse seisundi miniuuringu (MMSE), globaalse kliinilise dementsuse reitingu (CDR) ja funktsionaalsete tegevuste küsimustiku (FAQ) skoorid erinesid kolmes rühmas märkimisväärselt. Põhiteabe statistiline analüüs viidi läbi SPSS 24 abil.

3.2. Pindmise valgeaine selektiivsed tunnused

FCBF tunnuste valiku meetod näitas 8 tunnust MCI ja HC klassifitseerimiseks, 25 tunnust AD ja HC klassifitseerimiseks ning 17 tunnust AD ja MCI klassifitseerimiseks (tabel 2). Joonisel 5 on näidatud DTI erinevate meetodite selektiivsete tunnuste arv.

3.3. Klassifikatsiooni jõudlus

Selle uuringu tulemustena teatati keskmine täpsus, tundlikkus ja spetsiifilisus. SVM-i lineaarne tuum oli parim klassifikaator, mille täpsus oli 95,8 protsenti, tundlikkus 95,8 protsenti ja spetsiifilisus 95,8 protsenti AD- ja HC-rühmade vahel, millele järgnes SVM-i ruuttuum 83,3-protsendilise täpsusega. tundlikkus 94,4 protsenti ja spetsiifilisus 76,6 protsenti MCI ja HC rühmade ning SVM Gaussi tuuma vahel, täpsusega 83,3 protsenti, tundlikkus 80,7 protsenti ja spetsiifilisus 86,3 protsenti vahemikus AD ja MCI rühmad), nagu on näidatud tabelis 1). Joonis 6 näitab kolme tuuma võrdlust ja leiab parima tuuma mis tahes paaride klassifikatsioonis (vt tabel 3).

4. Arutelu

DTI andmete analüüsimiseks on erinevaid meetodeid ning igal meetodil on oma tugevad ja nõrgad küljed. Selles uuringus kasutasime pindmise valgeaine omaduste saamiseks kolme meetodit, nimelt ROI-d, traktograafiat, ühenduvust ja võrguanalüüsi [22].

Pindmine valgeaine on retrogeneesi mudeli kohaselt üks piirkondi, mis on paljude haiguste suhtes väga haavatavad [23]. Sel põhjusel on selles uuringus seda valdkonda uuritud.

AD ja MCI-ga isikute ja tervete inimeste eristamiseks on läbi viidud mitmeid uuringuid ning paljud teadlased on huvitatud meetodite leidmisest nende kolme rühma eraldamiseks. Käesolevas uuringus kasutasime automatiseeritud meetodit AD ja MCI-ga subjektide ning HC subjektide klassifitseerimiseks SWM-i DTI funktsioonide alusel.

Oluline on märkida, et SWM-i kiudude arhitektuur (sisaldab mitut kiupopulatsiooni, mida nimetatakse "ristuvateks kiududeks") näitab keerukamat järjestust kui sügav valge aine (joonis 7). Sel põhjusel näib olevat vajalik kasutada QSDR-i rekonstrueerimistehnikat, kuna mudelivabad meetodid on mudelipõhiste meetoditega võrreldes täpsemad vokslites, mis sisaldavad mitut kiupopulatsiooni [24]. Sel eesmärgil kasutasime QSDR tehnikat koos DTI rekonstrueerimistehnikaga.

Seoses intelligentsete süsteemide arenguga erinevates teadustes, töötati välja masinõppesüsteem paaride klassifitseerimiseks kolme rühma vahel. Meie teadmiste kohaselt on see esimene uuring, milles kasutatakse tugivektori masinat, et tuvastada SWM-i DTI tehnikate omadused.

Meie tulemused kontroll- ja MCI-klassifikatsioonist näitasid, et ruuttuum oli selle klassifikatsiooni jaoks parim tuum 83,3-protsendilise täpsusega. AD-patsientide ja eakate kontrollide eristamine näitas lineaarse kerneli täpsust 95,8 protsenti. Ühenduvusparameetrid näitasid valitud funktsioonide puhul suurt tähtsust. Nende ühenduste näide on näidatud joonisel 8.

Üldiselt võib ajuvõrgu funktsioonide uurimine anda teadlastele teavet enamiku neurodegeneratiivsete haiguste, sealhulgas AD ja MCI kohta. Hiljuti on Alzheimeri tõve võrguomaduste uurimine pälvinud mitme teadlase tähelepanu. Nende teadlaste hulgas on Daianu jt. [25], Seo et al. [26], Jalili jt. [27], Sheng et al. [28] ja Sulaiman et al. [29]. Nad usuvad, et ajuvõrgu ühenduvuse analüüs annab olulise ülevaate sellest, kuidas närvirajad Alzheimeri tõve korral lagunevad. Näiteks, nagu on kirjeldatud Yongxia Zhou jt uuringus, suutis ajukoore väikese maailma võrgustik eristada Alzheimeri tõvega patsiente ja MCI patsiente. Selles uuringus näitas väikese maailma võrk, mis on üks pindmise valgeaine selektiivsetest tunnustest, võimet eristada AD-d MCI-st ning seda saab kasutada mälu ja kognitiivsete funktsioonide languse selgitamiseks, mis on kooskõlas

varasemate uuringute järeldused, et väikese maailma võrgu omaduste kadumine on AD patsientidel muutunud [30, 31, 32].

Samuti võib PageRank mõõtmine esile tõsta suurema arvu välislinkidega ajupiirkondi [33]. Meie uuringus oli PageRank frontaal- ja parietaalpiirkondades üks AD-diagnoosi kõige enam tuvastatud tunnuseid ja see võib mängida ajus olulisemat rolli.

Uuringu üks olulisemaid leide on vasaku parietaalsagara pikkus ja arv AD eraldamisel MCI-st. Desikani jt uuringus mainiti parietaalsagara vigastuse tähtsust MCI-st AD-ni progresseerumise ennustajana [34]. Selle uuringu traktograafia tulemused võivad kinnitada eelmise SWM-piirkonna uuringu järeldust. Kuna MCI-del on suurem risk AD tekkeks kui kontrollidel, võib parietaalsagara uurimine olla kasulik näitaja.

Lisaks sellele, et AD ja MCI võrdluste puhul lisandus traktograafia leidudele, täheldati AD-de korral oimu- ja parietaalsagara ning ka limbilise ja kuklasagara vahelise ühenduse katkemist. Teisisõnu, lühiajalised kiudude ühendused temporoparietaalis võivad olla nende kahe haiguse eraldamisel oluline leid. Temporoparietaal mängib olulist rolli inimese kõrgetasemelistes närvifunktsioonides [35], mis võivad Alzheimeri tõve korral kahjustuda. Desikan et al. uuris selle piirkonna atroofiat AD [34]. Selle uuringu tulemused uue tehnika ja DTI-meetodi funktsioonide kasutamisega võivad olla tõhusad MCI eraldamisel AD-st. Funktsionaalne magnetresonantstomograafia (fMRI) uuring näitas, et insula on inimese ajuvõrkude võtmepiirkond ja AD kõige haavatavam piirkond [36]; käesolev uuring võib kinnitada neid tulemusi pindmise valgeaine puhul, kuna insula omadused, nagu ühenduvus, iso, Tzz ja Txy, on Alzheimeri tõvega patsientide valitud ja peamiste tunnuste hulgas.

Enamik uuringuid on teatanud, et DTI väärtused muutuvad AD ja MCI rühmade vahel. Selle uuringu klassifikatsiooni täpsus AD ja MCI vahel oli Gaussi kerneli järgi 83,3 protsenti, mis oli selle klassifikatsiooni jaoks parim tuum.

Soovitusena tulevaste uuringute jaoks on huvitav kaasata multimodaalsesse uuringusse ka teisi mooduseid ja biomarkereid, nagu fMRI ja elektroentsefalogramm (EEG), positronemissioontomograafia (PET) ja CSF-valkude andmed koos DTI andmetega ning see võib olla ka üks meie tulevikueesmärgid.

5. Järeldus

Kokkuvõtteks viisime läbi meetodi AD ja MCI-ga patsientide ning tervete kontrollide automaatseks eristamiseks. Selles uuringus näitasime, et AD või MCI saab eristada HC-st, kasutades DTI kaudu SWM piirkonna funktsioone. Seega võivad ROI-st, traktograafiast ning ühenduvus- ja võrgumeetoditest saadud funktsioonid aidata AD ja MCI diagnoosimisel. Lõpuks annab see uuring tausta nende piirkondade muude automatiseeritud klassifitseerimismeetodite hindamiseks.

5.1. Piirangud

Valimi suurus masinõppes on otsustava tähtsusega tegur, mis mõjutab mudeli jõudlust. Uuringu piiranguks on kaasatud subjektide valimi väike suurus.

Viited
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, DTI ja struktuurne MRI klassifikatsioon Alzheimeri tõve korral, Adv. Mol. Imag. 2012 (2012).
[2] SA Eshkoor, TA Hamid, CY Mun, CK Ng, Kerge kognitiivne kahjustus ja selle juhtimine vanematel inimestel, Clin. Interv. Vananemine 10 (2015) 687–693.
[3] OR Phillips, SH Joshi, F. Piras, MD Orfei, M. Iorio, KL Narr jt, The pinnapealne valgeaine Alzheimeri tõves, Hum. Ajukaart. 37 (4) (2016) 1321–1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Altered sufficial white matter on tractography MRI in Alzheimer's disease, Dementia Geriatr. Kognit. Häire. Lisa 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, Meditsiinilise tehisintellekti tehnoloogia rakendamine arengumaade maapiirkondades, Health Equity 2 (1) (2018) 174–181.
[6] KD Davis, H. Flor, HT Greely, GD Iannetti, S. Mackey, M. Ploner jt, Kroonilise valu ajukuvamise testid: meditsiinilised, juriidilised ja eetilised küsimused ning soovitused, Nat. Rev Neurol. 13 (2017) 624.
[7] M. Dyba, M. Ewers, M. Wegrzyn, I. Kilimann, C. Plant, A. Oswald jt, DTI ja MRI kombineerimine Alzheimeri tõve automaatseks tuvastamiseks suure Euroopa mitmekeskuselise andmestiku abil, Multimodaalse ajupildi analüüsi rahvusvaheline töötuba, Springer, 2012, lk 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long jt, Differences between generalized Q-sampling imaging and difusioontensor imaging in the visualisation crossing neural fibers in aju, Surg. Radiol. Anat. 41 (9) (2019) 1019–1028.
[9] SY Lim, Y.-S. Tyan, Y.-P. Chao, F.-Y. Nien, J.-C. Weng, Uued ülevaated arenevast küüliku ajust, kasutades difusioontensortraktograafiat ja üldistatud proovivõtu MRI-d, PLoS One 10 (3) (2015).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, Immuunrakkude infiltratsiooni kaardistamine piiratud difusiooniga MRI abil, Magn. Reson. Med. 77 (2) (2017) 603–612.
[11] G. Prasad, TM Nir, AW Toga, PM Thompson, Tractography density and network changes in Alzheimer's disease, in: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE, 2013, lk 692–695.
[12] A. Mheich, F. Wendling, M. Hassan, Brain Network Sarnasus: Methods and Applications, 2019 arXiv preprint arXiv:190810592.
[13] O. Sporns, Graafiteooria meetodid: rakendused ajuvõrkudes, Dialogues Clin. Neurosci. 20 (2) (2018) 111.
[14] O. Sporns, JD Zwi, Ajukoore väike maailm, Neuroinformaatika 2 (2) (2004), 145–162.[15] A. Nazeri, MM Chakravarty, TK Rajji, D. Felsky, DJ Rotenberg, M. Mason jt,
Pindmine valgeaine kui vanusega seotud kognitiivse languse uudne substraat, Neurobiol. Vananemine 36 (6) (2015) 2094–2106.
[16] A. Nazeri, MM Chakravarty, D. Felsky, NJ Lobaugh, TK Rajji, BH Mulsant jt, Pindmise valgeaine muutused skisofreenia korral ja seos kognitiivse jõudlusega, Neuropsychopharmacology: Off. Publ. Olen. College Neuropsychopharmacol. 38 (10) (2013) 1954.
[17] GC Ribas, The cerebral sulci and gyri, Neurosurg. Fookus 28 (2) (2010) E2. [18] J. Talairach, Inimese aju kaastasandiline stereotaksiline atlas-3-Dimensiooniline proportsionaalne süsteem. Lähenemine aju pildistamisele, 1988.
[19] L. Yu, H. Liu, Funktsioonide valik kõrgmõõtmeliste andmete jaoks: kiire korrelatsioonipõhine filtrilahendus, Proceedings of the 20th International Conference on Machine Learning (ICML-03), 2003, lk. 856–863.
[20] MW Browne, Ristvalideerimise meetodid, J. Math. Psychol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Tundlikkus, spetsiifilisus, täpsus, seotud usaldusvahemik ja ROC analüüs praktiliste SAS-i rakendustega, NESUG Proceed.: Health Life Sci. (Baltimore, Maryland) 19 (2010) 67.
[22] W. Van Hecke, L. Emsell, S. Sunaert, Diffusion Tensor Imaging: a Practical Handbook, Springer, 2015.

[23] B. Bigham, SA Zamanpour, F. Zemorshidi, F. Boroumand, H. Zare, Alzheimer's Disease Neuroimaging Initiative. Valgeaine pindmiste kõrvalekallete tuvastamine Alzheimeri tõve ja kerge kognitiivse kahjustuse korral difusioonitensorpildi abil, J. Alzheimer's Dis. Vabariik 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou jt, Differences between generalized q-sampling imaging and difusioontensor imaging in preoperative visualisation of närvikiu traktid peritumoraalse turse ajus, Neurosurgery 73 (6) (2013) 1044–1053.
[25] M. Daianu, EL Dennis, N. Jahanshad, TM Nir, AW Toga, CR Jack jt, Alzheimeri tõbi häirib rikkalikku klubiorganisatsiooni aju ühenduvusvõrkudes, väljaandes: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE , 2013, lk 266–269.
[26] EH Seo, DY Lee, J.-M. Lee, J.-S. Park, BK Sohn, DS Lee jt, Terve aju funktsionaalsed võrgustikud kognitiivselt normaalse, kerge kognitiivse kahjustuse ja Alzheimeri tõve korral, PLoS One 8 (1) (2013).
[27] M. Jalili, Alzheimeri tõve graafikuteoreetiline analüüs: AD-patsientide diskrimineerimine tervetest isikutest, Inf. Sci. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Alzheimeri tõve erinevate etappide tuvastamine ja iseloomustamine järjestatud põhifunktsioonide ja masinõppe abil, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, PM Thompson jt, Predicting brain network changes in Alzheimer's disease with link ennustamisalgoritmid, Mol. Biosyst. 13 (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang jt, Ebanormaalsed kortikaalsed võrgud kergete kognitiivsete häirete ja Alzheimeri tõve korral, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Struktuursed arusaamad Alzheimeri tõve laiaulatuslike ajukoorevõrkude ebanormaalsetest topoloogilistest mustritest, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Neuronal networks in Alzheimer's disease, Neuroscientist 15 (4) (2009) 333–350.
[33] A. Ebadi, JL Dalboni da Rocha, DB Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho jt, Alzheimeri tõve ja kerge kognitiivse kahjustuse klassifikatsioon, mis põhineb difusioonitensori komplekssetel graafikutel. pildid, ees. Neurosci. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman jt, Temporoparietal MR-kuvamise atroofia mõõdikud kerge kognitiivse häirega isikutel, mis ennustavad Alzheimeri tõve hilisemat diagnoosi, Am. J. Neuroradiol. 30 (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, Inimese aju temporoparieto-kuklapiirkonna lühikeste ühenduste jälgimine, kasutades difusioonispektri kujutist ja kiudude dissektsiooni, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song jt, Alteredfunctional connectivity of insular subregions in Alzheimer's disease, Front. Vananevad neuroosid. 10 (2018) 107.