Deep Learning anhand von FDG-PET-Daten als Methode zur Prädiktion der Konversion von MCI zu Alzheimer-Demenz

Ziel/Aim:

Methoden des Deep-Learnings haben in den letzten Jahren erhebliche Erfolge bei der Lösung unterschiedlicher technischer Probleme erzielt und auch in der Medizin werden sie zunehmend zur Analyse von (Bild-)daten verwendet. Wir untersuchten, wie gut ein Neuronales Netz basierend auf FDG-PET-Daten des Gehirns vorhersagen kann, ob ein Patient mit geringer kognitiver Einschränkung (engl.: MCI = mild cognitive impairment) in der Folge eine Alzheimer-Demenz (AD) entwickeln wird.

Methodik/Methods:

Wir trainierten ein Convolutional Neural Network (CNN) an 548 FDG-PET Datensätzen von MCI-Patienten der ADNI-Initiative, von denen 33% zu AD konvertierten (im Median nach 24 Monaten). Das Netzwerk besteht aus drei Konvolutions-Schichten, zwei Max-Pooling-Schichten, zwei Dense-Schichten, die in eine binäre Kategorisierung münden für die prognostizierte Konversion oder Nicht-Konversion in eine Alzheimer-Demenz. Um Oversampling zu vermeiden, wurden zwei Dropout-Schichten und eine L2-Normierung der Konvolutions-Filter ergänzt. Wir verwendeten die binäre Kreuzentropie als Fehler- und Stochastic Gradient Descent als Korrekturfunktion, spiegelten die Datensätze zur Augmentation zusätzlich an der Median-Ebene und trennten sie 4 : 1 in Trainings- und Testdaten. Die Trainingsphase umfasste 450 Epochen. Der gesamte Trainingsprozess wurde mehrfach durchgeführt.

Ergebnisse/Results:

Abhängig von der zufälligen Initialisierung der Wichtungen des CNN schwankt die Genauigkeit auch bei konstanter Aufteilung in Test- und Trainings-Datensätzen für unterschiedliche Experimente um einen Mittelwert von 0,82 ± 0,02 [0,80 – 0,85].

Schlussfolgerungen/Conclusions:

Die vorliegende Pilotstudie zeigt, dass ein CNN eine offenbar vielversprechende Methode ist, die Konversion von MCI zu AD vorherzusagen. Die ermittelte Genauigkeit des CNN ist hierbei sehr gut vergleichbar mit konventionellen Methoden der Bildanalyse (z.B. single-case SPM analysis [1]).

Literatur/References:

[1] S mailagic N, Lafortune L, et al. 18F-FDG PET for Prediction of Conversion to Alzheimer's Disease Dementia in People with Mild Cognitive Impairment: An Updated Systematic Review of Test Accuracy. Journal of Alzheimer's Disease. 64 (2018): 1175 – 1194.