Verslagen

Eindverslag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

Op MRI-hersenbeelden van patienten met de ziekte van Alzheimer zijn duidelijk veschillen te zien in vergelijking met gezonde personen. MRI wordt dan ook vaak gebruikt bij de diagnose van patienten met cognitieve klachten.

 

In late stadia van de ziekte van Alzheimer is een duidelijk verschil te zien op een MRI-scan van de anatomie. In eerdere fasen van de ziekte is dit een stuk minder duidelijk, en laten functionele scans, zoals MR-scans van hersenactiviteit en perfusie, duidelijker verschillen zien tussen patienten en gezonde personen.

 

In dit project is een software-tool gemaakt die MRI-waarden van meerdere soorten scans uit verschillende hersengebieden gebruikt. Dit 'machine learning' programma berekent een patroon dat de verschillen in deze waarden tussen verschillende patientengroepen weergeeft.

 

Twee voorspelde uitkomsten zijn in de loop van dit project bijgesteld.

 

Ten eerste: het gebruik van de hoge resolutie van voxelgewijze classifiers brengt nadelen met zich mee. Hoewel de localisatie van het ziekteproces een hogere precisie zou kunnen hebben, is het signaal, en het contrast tussen verschillende patientengroepen, te zwak om dit met statistische zekerheid te doen. Bovendien is het selecteren van kenmerken, dus gebieden die zeer relevant zijn voor de classificatie, te instabiel met het hoge begingetal van voxelgewijze kenmerken.

In plaats daarvan zorgt een classificatie op basis van gebieden in een bekende atlas voor een sterker signaalen contrast per kenmerk en een beheersbaar aantal kenmerken voor selectie van relevante hersenwaarden. Bovendien verkiezen de gebruikers het gebruik van een atlas met gebieden die een duidelijke naam en functie hebben.

 

Ten tweede: een classificatie van een multimodaal beeld, een combinatie van meerdere modaliteiten, geeft in het algemeen geen preciezere voorspelling dan de beste modaliteit voor een specifieke fase van de ziekte van Alzheimer.

Een samengestelde classifier heeft in het algemeen een maximale nauwkeurigheid die ligt tussen de maximale nauwkeurigheid van de slechtst bruikbare modaliteit en die van de best bruikbare modaliteit.

Voor de toepassing van de classifiers op een scan van nog onbekende patientengroep ligt het anders. Daar zijn meerdere tests nodig: eerst om uit te zoeken welke classificatie het meest van toepassing is, en ten tweede deze uit te voeren met de meest geschikte modaliteit.

De eerste test kan het best worden uitgevoerd op een multimodaal beeld, omdat het gebruiken van een modaliteit die het best past bij een bepaalde fase van de ziekte, kan leiden tot een vergrote kans (bias) op een uitkomst die bij de desbetreffende test hoort. Zodra de juiste test gevonden is, kan deze uitgevoerd worden met de beste modaliteit.

 

Voor dit project is ook een enquete uitgevoerd om uit te zoeken of mensen bereid zijn langer in de scanner te liggen om een vroege diagnose te ondersteunen. Met name het ongemak en het harde geluid waren punten van zorg. Ook werd het positieve effect van een goede informatievoorziening belicht.

 

Een belangrijke uitkomst was dat mensen in het algemeen geen bezwaar hebben tegen het ongemak om langer in de scanner liggen. Een belangrijke voorwaarde is wel dat men van tevoren goed ingelicht is, bij voorkeur al door de eigen huisarts of via een mantelzorger.

 

Een belangrijke factor voor het wegnemen van stress in de scanner was de aanwezigheid van een bekende.

 

Naast de antwoorden op de vragen was een veelgenoemd advies van de deelnemers zelf dat de terugkoppeling van hun ervaringen en voor het voorlichten van anderen, op dit moment nog niet voldoende wordt gebruikt.

 

Deze aanbevelingen zijn samengoevoegd in een document dat te lezen is op de website van het project:

 

www.alzheimercentrum.nl/wetenschap/lopend-onderzoek/hersenscans-combineren

Resultaten
Dit item is dichtgeklapt
Dit item is opengeklapt

Dit project maakt het opsporen van de ziekte van Alzheimer beter mogelijk door het gebruik van geavanceerde MRI-technieken en machine learning.

 

MRI-beelden laten verschillen zien tussen patienten en proefpersonen. Op structurele scans is dit verschil duidelijk te zien in late stadia van de ziekte. Eerder in de ziekte is er nog geen structureel verschil en laten functionele scans (hersenactiviteit, perfusie) een duidelijker verschil zien.

 

Er is een programma ontwikkeld dat op basis van MRI-waarden in hersengebieden het verschil kan leren tussen patienten en gezonde proefpersonen.

 

De belangrijkste resultaten die de software laat zien, zijn:

1. Functionele modaliteiten als activatie- en perfusie-MRI leiden tot hogere precisie in vroege stadia dan traditionele MRI.

2. Voor de uiteindelijke classificatie is een samenstelling van meerdere scans niet beter dan de beste scan alleen.

3. Het toepassen van een getrainde classifier op onbekende data zal altijd in meerdere stappen moeten gaan: eerst om de meest geschikte test te bepalen, en die te doen met de meest geschikte modaliteit.

4. Deze initiële stap moet, waar mogelijk, multimodaal gedaan worden: het gebruik van een modaliteit die geschikt is voor een bepaald stadium kan tot een afwijking richting een bepaalde uitkomst leiden.

 

Voor dit project hebben we een enquête gedaan om de voor- en nadelen van zo’n langere scan voor deelnemers te bepalen. Vooral de belasting van een langere scantijd en het harde geluid van de scanner tijdens de speciale scans waren een punt van zorg. De enquete is afgenomen onder mensen die gescand zijn en hun mantelzorgers.

 

Het blijkt dat:

a. Mensen geen problemen hebben met meer scannen, als van tevoren bekend is gemaakt wat er gebeurt (bijvoorbeeld door de huisarts) en waarom en als een bekende meegaat.

b. Het opnemen en gebruiken van patiëntenervaringen kan veel meer dan nu gebeurt.

Voortgangsverslag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

Dit project ontwikkelt methoden om onderscheid te maken tussen gezonde ouderen, patienten met milde cognitieve achteruitgang en de ziekte van Alzheimer (AD). Het doel is om door meerdere beelden van een MRI scanner te combineren in een Machine Learning computerprogramma, een hogere precisie te krijgen dan met deze beelden afzonderlijk mogelijk zou zijn. In een eerste fase is met bestaande programma's die werken op een soort beelden (modaliteit) tegelijkertijd, aangetoond dat Machine Learning hoge precisie kan halen bij het classificeren van patienten ten opzichte van controles. De ontwikkeling gaat nu voort met multi-modale beelden (combinaties). Ook is een enquete gestart naar de meningen en ervaringen over het deelnemen aan geavanceerde hersenscans

(www.alzheimer-nederland.nl/vertel-over-uw-ervaring-met-hersenscan-onderzoek)

Resultaten
Dit item is dichtgeklapt
Dit item is opengeklapt

Met bestaande programma's is een classificatie gedaan tussen gezonde controles en patienten met milde cognitieve achteruitgang (MCI) en de ziekte van Alzheimer (AD). De MRI-beelden die werden gebruikt meten perfusie, de opname van zuurstof in het brein, die in bepaalde gebieden lager wordt in patienten.

Training van het programma leverde nauwkeurigheden op tot boven de 90% bij het onderscheid AD-gezonde controles. Bij andere trainingen kon de nauwkeurigheid worden verhoogd door de analyse te beperken tot ziekte-specifieke hersengebieden zoals de hippocampus. De classificaties met patienten die milde cognitieve acteruitgang hadden, waren minder nauwkeurig. De reden hiervoor was dat MCI niet altijd komt door de ziekte van Alzheimer. Tests in een deelgroep van MCI-patienten van wie bekend was dat ze later AD hadden, hadden een hogere mate van nauwkeurigheid.

 

Lees het artikel hier: www.researchgate.net/publication/304991589

Beluister een interview over het onderzoek hier: www.bnr.nl/player/archief/20160711172250300

 

Voor het ontwikkelen van eigen multi-modale software is eerst in eigen huis ook een programma gemaakt dat met 1 soort beelden de classificatie tussen gezonde proefpersonen en patienten met AD kan doen. Dit programma is getest op een studie van functionele MRI data gemeten tijdens rust. Hierbij wordt concentratie zuurstofrijk bloed gemeten, die locaal verandert als hersengebieden actief zijn. Door te kijken welke gebieden samen veranderen, kunnen netwerkeigenschappen van het brein berekend worden. Hierin werden verschillen gevonden met ons Machine Learning programma tussen patienten en controles. De nauwkeurigheid van deze studie was lager dan de eerder genoemde studie. Dit is een reden om door te gaan met onderzoek naar multi-modale methoden.

 

Bekijk hier een poster van dit onderzoek: www.researchgate.net/publication/308327966

Samenvatting van de aanvraag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

Brain imaging is playing an increasingly important role as a diagnostic tool for identifying Alzheimer’s disease (AD) [1], enabling intervention to bring timely support to patients, families and carers. However, this is more difficult in early AD, where aberrations are more subtle.

 

Different image types, or modalities, such as anatomical mgnetic resonance imaging (MRI) scans, metabolic scans using positron emission tomography (PET), arterial spin labelling (ASL) scans and functional MRI (fMRI) activation scans [1-4] show different aspects of the development path towards AD. However, no integrated analysis of these modalities exists that improves early diagnosis of AD.

 

Attempts have been made to construct one model model of AD-related changes in different stages of AD [5], [6]. This model represents the evolution of independent biological measurements (biomarkers) in the course towards dementia.

 

We propose to use pattern recognition software to multimodality image data, i.e., combinations of more than one image type. By constructing a combined imaging biomarker of AD (a biological measure that represents the disease), we will a window of opportunity for interventions by predicting different stages of AD.

 

Trained classification patterns enable assessment of single-subject examinations: they can be directly applied to new acquisitions, enabling their use in the clinic as an automated diagnostic tool. Data and methods will be easily interchangeable between institutes: the trained classifier no longer needs access to the training data set. This is not possible with current methods, which rely on between-group analyses for statistical power.

 

The resulting package is a first step to a system that can evaluate each new examination by automatically gathering multimodality imaging data and processing them in the classifier for diagnostic support in clinical and therapeutic studies. To realise this, we plan to integrate the software with the portal software of medical image storage databases.

 

This project will combine modern, efficient pattern classification methods with integrated representations of multimodality data. Its main milestones are:

 

• to tailor pattern recognition methods to neuroimaging data by introducing optimal data structures that represent the common spatial structure of multimodality inputs;

• to train the software using an optimised normative multimodality imaging data set from the ADNI-2 cohort (N=550, controls and patients);

• to validate the clinical relevance of the resulting biomarkers in terms of reliability in a test-retest setting, and in terms of validity/generalisability in a cross-validation setting;

• to apply and validate these biomarkers in existing, ecological multi-modality imaging cohorts from

1. the VUmc (N=160 patients Alzheimer Center)

2. CITA-Alzheimer (N=480 elderly controls, recruited via the regional media);

• to quantify classifier accuracy by relating its outcomes to disease variables of amyloid-beta, tau, genetic and cognition data;

• to define, validate and test diagnostic patterns for various early stages of AD to facilitate clinical decision making;

• to develop a quantitative diagnostic tool for decision support and to assess its clinical value.

 

The ADNI-2 data set [7] is a multi-centre, multi-modality data set of volunteers and patients with different degrees of AD, recruited via Internet, advertising in print and via physicians. Multi-modality imaging data are collected as well as cognitive tests, APOE genotyping, amyloid-beta and tau concentrations in the cerebrospinal fluid (CSF).

 

We will use a subset of the cohort with equal patient group sizes and optimal matching and balancing for age and gender, and who have had both 3-month and 12-month follow-up scans. The software will be trained on the baseline data to produce quantitative markers that are validated internally (using cross-validation) as well as externally (by matching to non-imaging disease variables). To assess reliability, the controls and AD patients whose diagnosis and status has not changed at month 12 will be used in a test-retest classification using the baseline and month 3 data.

 

Applying the classifier to the 'ecological' VUmc imaging study of subjects with diagnoses ranging from healthy controls to severe AD [8], will give better insight into the generalisability of the classifier across populations and acquisition configurations. Afterwards, a classifier based on the ecological data set will be applied to the ADNI-2 data to assess the generalisability of the method.

 

The cohort at CITA-Alzheimer is an ecological control cohort of healthy elderly. Subjects were recruited via popular media, to sample the whole adult population, and subjects with cognitive or neurological problems were excluded. Applying the classifier to these control data will yield important quantitative insights into the classifier's sensitivity to brain changes that precede AD.

Naar boven
Direct naar: InhoudDirect naar: NavigatieDirect naar: Onderkant website