基礎科学と病態生理 | JoVE Visualize

科学分野:

神経科学
計算生物学
医用画像処理

背景:

アルツハイマー病（AD）の進行に重要な脳領域を特定することは、病態生理の理解と標的療法の開発に不可欠です。
深層学習モデルはADの高度な生存時間解析を提供しますが、その性質上、臨床的な解釈可能性を欠くことがよくあります。
本研究では、高い予測精度を維持しながら、AD進行に対する脳領域の寄与に関する解釈可能な洞察を提供するために設計された、ニューラル加算型深層クラスタリング生存機械（NADCSM）フレームワークを紹介します。

研究の目的:

アルツハイマー病（AD）研究のための解釈可能な深層学習モデルを開発すること。
ADの進行に著しく影響を与える特定の脳領域を特定すること。
AD生存時間解析における予測パフォーマンスと臨床的有用性のギャップを埋めること。

主な方法:

AV45フロルベタピルPET画像を含むアルツハイマー病神経画像イニシアチブ（ADNI）からのデータを利用しました。
生存時間をワイブル分布でモデル化し、解釈可能性のためにニューラル加算型モデル（NAM）を組み込んだNADCSMフレームワークを採用しました。
予測のためのコンコーダンスインデックス（C指数）および生存曲線分離とクラスタリングのためのLogRank統計量を使用してモデルパフォーマンスを評価しました。

主要な成果:

NADCSMは、DCSM（0.7789 ± 0.0193）に匹敵する0.7772 ± 0.0236のC指数で、競争力のある予測精度を示しました。
NADCSMのLogRank統計量（317.84 ± 31.89）は、生存曲線分離とクラスタリングにおける強力なパフォーマンスを示し、DCSM（317.84 ± 31.89）に匹敵しました。
NADCSMは、海馬傍回（左）および小脳脚（右）などの主要な脳領域を特定し、アミロイド負荷とAD進行との解釈可能な関係を明らかにしました。

結論:

NADCSMフレームワークは、アルツハイマー病および関連認知症（ADRD）のリスク予測に対する解釈可能なアプローチを提供します。
ADRD進行に対する重要な特徴を正常に抽出し、その影響を説明することで、予測モデルの透明性を高めます。
この解釈可能性は、精密医療の取り組みを加速し、ADRDの病態生理の理解を深めることができます。