Διαγνωστικά μοντέλα γεροντικής κατάθλιψης βασισμένα στην απεικόνιση της λευκής ουσίας του εγκεφάλου με μαγνητικό συντονισμό

Abstract

The aim of the present research was to develop a machine learning model for the diagnosis of late-life major depression based on an advanced framework for brain white matter segmentation. Twenty six subjects with major depression and 12 healthy controls, aged 55 years or above matched for age, MMSE score, and education years, underwent brain diffusion magnetic resonance imaging and whole brain white matter segmentation using multiple diffusion sensor imaging indices and atlases within the MRI cloud platform. Fractional anisotropy volume and mean values of fractional anisotropy, diffusion trace, and diffusivities along the principal diffusion axis and perpendicular to it (radial diffusivity) were extracted from 146 white matter parcels and used to train and test the Adaboost classifier with cross validation. The classifier’s performance was evaluated using appropriate measures of accuracy and sensitivity, the F1 score, and the Area Under the Receiving Operative Curve (ROC-AUC). The statistical significance of the classifier was tested using standard permutation testing with cross validation. The classifier achieved a balanced accuracy, of 71% and a ROC-AUC, of 0.81 with the diffusion trace index and a balanced accuracy, of 70% and a ROC-AUC, of 0.80 with RD, within limbic paths, the cortex-basal ganglia-thalamus-cortex loop, the brainstem, the internal and external capsules, the corpus callosum, and cerebellum. Both indices shared common structures in the classification, while the Fornix was the most important structure for the classification with the two indices. The classifier proved statistically significant, as ROC-AUC scores after permutation were lower than those with the actual data (P = 0.022, for trace and P = 0.024, for RD). The results encourage further investigation of the applied methods in the characterization of geriatric depression, as well as the computer-assisted diagnostics and therapeutics based on anatomical brain changes.

Σκοπός της παρούσας έρευνας ήταν η ανάπτυξη ενός μοντέλου μηχανικής μάθησης, για τη διάγνωση της μείζονος κατάθλιψης σε άτομα προχωρημένης ηλικίας, με βάση ένα προηγμένο πλαίσιο διαχωρισμού της λευκής ουσίας του εγκεφάλου. Είκοσι έξι άτομα με μείζονα κατάθλιψη και δώδεκα υγιείς μάρτυρες, ηλικίας άνω των 55 ετών, με ανάλογες ηλικίες, MMSE και εκπαίδευση, υποβλήθηκαν σε MRI διάχυσης και διαχωρισμό της λευκής ουσίας, με βάση πολλαπλούς δείκτες και άτλαντες απεικόνισης του τανυστή διάχυσης, εντός της πλατφόρμας MRIcloud. Ο όγκος της κλασματικής ανισοτροπίας, της διάχυσης και οι μέσες τιμές της κλασματικής ανισοτροπίας, του ίχνους της διάχυσης και της διαχυσιμότητας κατά τον επιμήκη και κάθετο άξονα διάχυσης, όπως εξήχθησαν από 146 τμήματα της λευκής ουσίας, χρησιμοποιήθηκαν για την εκπαίδευση και τον έλεγχο του ταξινομητή Adaboost, με μεθόδους εξωτερικής εγκυρότητας. Η επίδοση αξιολογήθηκε χρησιμοποιώντας κατάλληλα μέτρα ακρίβειας και ευαισθησίας, την τιμή F1 και την περιοχή που περικλείεται από την καμπύλη ROC. Η στατιστική σημαντικότητα του ταξινομητή εξετάσθηκε χρησιμοποιώντας τυπικές μεθόδους ανάμειξης των διαγνωστικών κατηγοριών (permutation testing) μαζί με μεθόδους εξωτερικής εγκυρότητας. Ο ταξινομητής πέτυχε σταθμισμένη ακρίβεια, 71% και τιμές της περιοχής που περικλείεται από την καμπύλη ROC, 0.81, με το δείκτη του ίχνους της διάχυσης (diffusion trace) και σταθμισμένη ακρίβεια, 70% και τιμές της περιοχής που περικλείεται από την καμπύλη ROC, 0.80, με το δείκτη της διαχυσιμότητας κατά τον κάθετο άξονα (radial diffusivity) εντός «μεταιχμιακών» οδών, του κυκλώματος φλοιός-βασικά γάγγλια-θάλαμος-φλοιός, του στελέχους, της έσω και έξω κάψας, του μεσολοβίου και της παρεγκεφαλίδας. Οι δυο δείκτες μοιράζονταν κοινές δομές, ως σημαντικές για τη διαγνωστική ταξινόμηση, ενώ η ψαλίδα ήταν η πιο σημαντική δομή για την ταξινόμηση και με τους δύο δείκτες. Ο ταξινομητής αποδείχθηκε στατιστικά σημαντικός, αφού οι τιμές της περιοχής που περικλείεται από την καμπύλη ROC, μετά την ανάμειξη των χαρακτηριστικών, ήταν χαμηλότερες από εκείνες με τα πραγματικά δεδομένα (P = 0.022, για το δείκτη trace και P = 0.024 για το δείκτη radial diffusivity). Τα αποτελέσματα ενθαρρύνουν την περαιτέρω διερεύνηση των εφαρμοζόμενων μεθόδων στο χαρακτηρισμό της γεροντικής κατάθλιψης και την υποβοηθούμενη από υπολογιστή διαγνωστική και θεραπευτική, βασισμένα στις ανατομικές διαφορές του εγκεφάλου.