Anwendung eines Algorithmus für maschinelles Lernen zur explorativen Bestimmung extrakranieller Determinanten des Volumens der grauen Hirnsubstanz in der KORA-MRT-Studie

F Schöppe; S Rospleszcz; E Beller; B Illigens; R Lorbeer; S Auweter; F Bamberg; C Schlett; D Keeser; W Rathmann; L Schwettmann; K Ladwig; J Linseisen; A Peters; B Ertl-Wagner; S Stoecklein

doi:10.1055/s-0037-1682178

RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, Table of Contents

Rofo 2019; 191(S 01): S60
DOI: 10.1055/s-0037-1682178

Vortrag (Wissenschaft)

Neuroradiologie

Georg Thieme Verlag KG Stuttgart · New York

Anwendung eines Algorithmus für maschinelles Lernen zur explorativen Bestimmung extrakranieller Determinanten des Volumens der grauen Hirnsubstanz in der KORA-MRT-Studie

Authors

F Schöppe

¹Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München
S Rospleszcz

²Institute of Epidemiology, Helmholtz Zentrum München, German Research Center for Environmental Health, Neuherberg
E Beller

³1. Klinikum der Universität München, LMU München, 2. Rostock University Medical Center, 1. Klinik und Poliklinik für Radiologie, 2. Department of Diagnostic and Interventional Radiology, 1. München, 2. Rostock
B Illigens

⁴Beth Israel Deaconess Medical Center, Boston (USA)
R Lorbeer

¹Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München
S Auweter

¹Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München
F Bamberg

⁵Department of Diagnostic and Interventional Radiology, University Hospital Freiburg, Freiburg
C Schlett

⁶1. Department of Diagnostic and Interventional Radiology, 1. University Hospital Heidelberg, 2. University Hospital Freiburg, 1. Heidelberg, 2.
D Keeser

¹Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München
W Rathmann

⁷1. German Center for Diabetes Research (DZD), 2. Institute for Biometrics and Epidemiology, 2. Institute for Biometrics and Epidemiology, German Diabetes Center, 1. München, 2. Düsseldorf
L Schwettmann

⁸1. Helmholtz Zentrum München, German Research Center for Environmental Health, 2. Ludwig-Maximilians-University München, 3. Martin Luther University Halle-Wittenberg, 1. Institute of Health Economics and Health Care Management, 2. jInstitute of Health Economics and Health Care Management, 3. Department of Economics, 1. München, Neuherberg, 2. München, 3. Halle-Wittenberg
K Ladwig

⁹1. Institute of Epidemiology, 2., Helmholtz Zentrum München, German Research Center for Environmental Health, Neuherberg
J Linseisen

¹⁰1. Helmholtz Zentrum München, German Research Center for Environmental Health, 2. Ludwig-Maximilians-University München, UNIKA-T Augsburg, 1. Independent Research Group Clinical Epidemiology, 2. Chair of Epidemiology, 1. Neuherberg, 2. Augsburg
A Peters

¹¹1. Institute of Epidemiology, Helmholtz Zentrum München German Research Center for Environmental Health, 2. German Centre for Cardiovascular Research (DZHK e.V.), 3. Chair of Epidemiology, Ludwig-Maximilians-University München, 1. Neuherberg, 2. München, 3. München
B Ertl-Wagner

¹²1. Klinikum der Universität München, LMU München, 2. University of Toronto, 1. Klinik und Poliklinik für Radiologie, 2. iDepartment of Radiology, The Hospital for Sick Children, 1. München, 2. Toronto (Canada)
S Stoecklein

¹Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München

Abstract

Full Text

Zielsetzung:

Ziel dieser explorativen, datengetriebenen Studie war die Identifikation potenzieller extrakranieller Determinanten des Volumens der grauen Hirnsubstanz (GSV) mithilfe eines Algorithmus für maschinelles Lernen.

Material und Methoden:

Im Rahmen der prospektiven Kohortenstudie „Kooperative Gesundheitsforschung in der Region Augsburg“ (KORA FF4) wurden 58 extrakranielle Variablen standardisiert erfasst und das GSV (ratio-korrigiert für intrakranielles Volumen) anhand von MRT-Aufnahmen (3T, FLAIR) ermittelt. Zur Bestimmung der wichtigsten extrakraniellen Faktoren des GSV wurde ein elastisches Netz, ein Algorithmus für maschinelles Lernen, anhand von 1000 Splits trainiert und validiert.

Ergebnisse:

293 Teilnehmer (59% männlich, 55.4 ± 9.1 Jahre, Mittelwert des ratio-korrigierten GSV 20.5%± 1.3) wurden in die Analyse mit einbezogen. 11.9% waren Probanden mit Diabetes mellitus Typ 2, 23.2% Menschen mit Prädiabetes und 64.8% wiesen normoglykäme Werte auf. Die folgenden 4 extrakraniellen Variablen wurden als die wichtigsten Determinanten des GSV ermittelt: Alter (1000/1000 Splits), glomeruläre Filtrationsrate (794 Splits), Typ2 Diabetes (323 Splits) und Diabetesdauer (122 Splits). Das GSV war bei Probanden mit Diabetes im Vergleich zu Probanden mit Normoglykämie signifikant niedriger (19.7 ± 1.6 vs. 20.6 ± 1.2, p < 0.001). Je länger der Diabetes vorlag, umso niedriger war das GSV (r =-0.15, p = 0.009). Das elastische Netz wies im Vergleich zu einer konstanten linearen Regression eine bessere Prädiktion auf (mittlere quadratische Abweichung = 1.10 vs. 1.59, p < 0.001).

Schlussfolgerungen:

Die Anwendung eines elastischen Netzes als datengetriebener Algorithmus für maschinelles Lernen erlaubt die Identifikation von extrakraniellen Determinanten von GSV und ermöglicht Aussagen über deren relative Wichtigkeit. Die Ergebnisse verdeutlichen die Bedeutung der Erfassung von extrakraniellen Variablen wie Diabetesstatus vor dem Einschluss von Probanden in radiologische Studien.