Rofo 2018; 190(S 01): S64
DOI: 10.1055/s-0038-1641430
Vortrag (Wissenschaft)
Neuroradiologie
Georg Thieme Verlag KG Stuttgart · New York

Diagnose von Morbus Parkinson auf Basis der Internetzwerkkonnektivität im resting state fMRT durch annahmefreies maschinelles Lernen

C Rubbert
1   Universitätsklinikum Düsseldorf, Institut für Diagnostische und Interventionelle Radiologie, Düsseldorf
,
C Mathys
1   Universitätsklinikum Düsseldorf, Institut für Diagnostische und Interventionelle Radiologie, Düsseldorf
,
S Eickhoff
2   Forschungszentrum Jülich, Institut für Neurowissenschaften und Medizin (INM-7), Jülich
,
F Hoffstaedter
2   Forschungszentrum Jülich, Institut für Neurowissenschaften und Medizin (INM-7), Jülich
,
M Südmeyer
3   Ernst-von-Bergmann Klinikum Potsdam, Klinik für Neurologie, Potsdam
,
C Hartmann
4   Universitätsklinikum Düsseldorf, Zentrum für Bewegungsstörungen und Neuromodulation der Klinik für Neurologie, Düsseldorf
,
B Turowski
1   Universitätsklinikum Düsseldorf, Institut für Diagnostische und Interventionelle Radiologie, Düsseldorf
,
A Schnitzler
4   Universitätsklinikum Düsseldorf, Zentrum für Bewegungsstörungen und Neuromodulation der Klinik für Neurologie, Düsseldorf
,
J Caspers
1   Universitätsklinikum Düsseldorf, Institut für Diagnostische und Interventionelle Radiologie, Düsseldorf
› Author Affiliations
Further Information

Publication History

Publication Date:
17 April 2018 (online)

Also available ateRef
 
 

    Zielsetzung:

    Resting state fMRT (rs-fMRT) Studien haben wiederholt Veränderungen der funktionellen Konnektivität bei Patienten mit idiopathischem Parkinsonsyndrom (IPS) gezeigt. Aktuell existiert kein nicht-invasiver diagnostischer Test bzw. Biomarker um eine klinische IPS Diagnose zweifelsfrei zu untermauern. Daher evaluieren wir einen machine learning Klassifikationsansatz, um IPS Patienten anhand ihrer Internetzwerkonnektivität ohne Annahmen über die zugrundeliegenden Netzwerke von Kontrollen zu differenzieren.

    Material und Methoden:

    rs-fMRT wurde bei 42 IPS Patienten (12h nach Entzug der dopaminergen Medikation) und 47 Kontrollen, gematcht für Alter und Geschlecht, erhoben (Siemens Trio 3T, EPI, TR = 2,2 s, TE = 30 ms, Flipwinkel = 90 °, 3,1 × 3,1 × 3,1 mm, Akquisitionszeit = 11 min). Für jedes Subjekt wurden individuelle, netzwerkspezifische Zeitserien basierend auf veröffentlichen funktionellen Netzwerken in unterschiedlicher Granularität berechnet (Human Connectome Project, „recon2“ subjects, 03/2017 dataset). Als Ausdruck der Internetzwerkkonnektivität wurden die vollen und partiellen Korrelationen zwischen den Netzwerk-Zeitserien mittels FSLNets berechnet. Boosted Logistic Regression Modelle wurden auf den Korrelationsmatrizen trainiert (20 Wiederholungen einer 10-fachen Kreuzvalidierung, 100 Iterationen). Zur Beurteilung der Modelle wurde die mediane Accuracy (Korrektheit der Klassifikationen) der Validierungspartitionen in der Kreuzvalidierung herangezogen.

    Ergebnisse:

    Die mediane Accuracy für die verschiedenen Granularitäten betrug: 15 Komponenten = 61,9% (volle Korrelationen)/66,4% (partielle Korrelationen), 25 = 75,8%/73,1%, 50 = 71,4%/65,6%, 100 = 66,0%/62,5%, und 200 = 67,0%/52,5%.

    Schlussfolgerungen:

    Ein Boosted Logistic Regression Modell auf Basis der Internetzwerkkonnektivität erlaubt eine akzeptable Identifizierung von IPS Patienten im rs-fMRT. Die Accuracy variiert abhängig von der Zahl der Komponenten. Der Grund für die besseren Ergebnisse bei einer kleineren Zahl von Komponenten sollte näher untersucht werden.


     

    Die Autoren geben an, dass kein Interessenkonflikt besteht.