AI analiza FDG-PET snimaka traži mrežne obrasce povezane sa Alchajmerovom bolešću

Od prosečne slike grupe ka individualnim mrežama mozga

Alchajmerova bolest povezana je sa poremećajima metaboličke povezanosti u mozgu, a FDG-PET omogućava posmatranje obrazaca potrošnje glukoze koji mogu da ukažu na takve promene. Autori novog rada polaze od problema da mnoge postojeće analize rade na nivou grupa ili uvode tvrde pragove, pa mogu da sakriju individualne razlike i slabije, ali biološki važne veze između regiona mozga.

Rano otkrivanje takvih promena važno je za upravljanje bolešću, ali autori navode i drugi problem: predviđanje Alchajmerove bolesti često se svodi na jedan ishod, dok stvarni kognitivni profil pacijenta obuhvata više različitih testova i funkcija. Zato predlažu explainable graph-theoretical machine learning, odnosno XGML, koji gradi individualne metaboličke grafove i traži podmreže povezane sa više ishoda istovremeno.

Šest graf reprezentacija, tri baseline pristupa i više modela

Za testiranje su korišćeni podaci Alzheimer’s Disease Neuroimaging Initiative, poznatog ADNI skupa, sa FDG-PET snimcima. Istraživači su poredili šest načina predstavljanja moždanih grafova sa tri pristupa koji ne koriste grafove, a svaki tip reprezentacije kombinovan je sa šest modela mašinskog učenja. Evaluacija je sprovedena ponovljenom stratifikovanom trostrukom unakrsnom validacijom sa deset ponavljanja.

Najbolja konfiguracija spojila je kernel density estimation, Hellinger distance i random forest. Ideja nije samo da se dobije još jedan prediktivni skor, već da se utvrdi koje veze između regiona mozga zajednički nose informaciju o više kognitivnih pokazatelja i mogu da posluže kao kandidati za mrežne biomarkere kognitivnog pada.

Najjači rezultati na ADAS testovima

Preko osam kognitivnih skorova, najbolji model dostigao je prosečnu Fisher-z transformisanu Pearson korelaciju od r=0,595. Najviši pojedinačni rezultati navedeni su za ADAS13 sa r=0,67, ADAS11 sa r=0,65 i ADASQ4 sa r=0,62. Ti brojevi pokazuju da postoji merljiv signal u individualnim metaboličkim mrežama, ali sami po sebi ne znače da je sistem spreman za kliničku dijagnozu.

Autori upravo zato rezultat predstavljaju kao okvir za predikciju i otkrivanje biomarkera, a ne kao gotov dijagnostički alat. Klinička vrednost bi zahtevala potvrdu na nezavisnim kohortama, različitim protokolima snimanja i realnim populacijama u kojima se distribucija pacijenata razlikuje od istraživačkog skupa.

Spoljna provera pokazala koliko generalizacija može biti teška

U preliminarnoj spoljnoj proveri na OASIS3 kohorti performanse su bile znatno slabije: rad navodi r=0,26 za CDRSB i r=0,18 za MMSE. Autori kao moguće razloge navode razlike između kohorti, protokola i dijagnostičkih kriterijuma. Upravo taj pad je važan jer pokazuje da dobar rezultat unutar jednog skupa ne garantuje isti nivo predikcije kada se sistem prebaci u drugo okruženje.

Zato je možda najvažniji deo rada kombinacija prediktivnog rezultata i objašnjivosti. XGML pokušava da pokaže koje podmreže nose signal, ali i da zadrži individualnu strukturu svakog pacijenta. Ako se takvi obrasci potvrde na većim i raznovrsnijim skupovima, mogli bi da pomognu istraživačima da bolje razumeju kako se metabolička povezanost menja sa kognitivnim padom.

Još jedan razlog za oprez je to što rad ne meri samo jednu binarnu oznaku bolesti, već odnose između mrežnih karakteristika i više kognitivnih skorova. To može biti korisno za istraživanje heterogenosti Alchajmerove bolesti, ali otežava jednostavno svođenje rezultata na jednu kliničku odluku. Najjači doprinos za sada je metodološki: individualni FDG-PET grafovi daju način da se istovremeno ispituju predikcija, objašnjivost i razlike među pacijentima.