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

F Schöppe
1   Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München
,
S Rospleszcz
2   Institute of Epidemiology, Helmholtz Zentrum München, German Research Center for Environmental Health, Neuherberg
,
E Beller
3   1. 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
4   Beth Israel Deaconess Medical Center, Boston (USA)
,
R Lorbeer
1   Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München
,
S Auweter
1   Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München
,
F Bamberg
5   Department of Diagnostic and Interventional Radiology, University Hospital Freiburg, Freiburg
,
C Schlett
6   1. Department of Diagnostic and Interventional Radiology, 1. University Hospital Heidelberg, 2. University Hospital Freiburg, 1. Heidelberg, 2.
,
D Keeser
1   Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München
,
W Rathmann
7   1. 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
8   1. 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
9   1. Institute of Epidemiology, 2., Helmholtz Zentrum München, German Research Center for Environmental Health, Neuherberg
,
J Linseisen
10   1. 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
11   1. 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
12   1. 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
1   Klinikum der Universität München, LMU München, Klinik und Poliklinik für Radiologie, München
› Author Affiliations
Further Information

Publication History

Publication Date:
27 March 2019 (online)

Also available at
 
 

    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.


    #