Ziel/Aim:
Kürzlich haben wir einen neuen Ansatz zur Reduktion physiologischer Varianz in Patientendaten
vorgestellt (controls based denoising, CODE). Hierzu werden Hauptkomponenten (HK)
in einem separaten Kontrollkollektiv bestimmt und aus Patientendaten entfernt, mit
dem Ziel, die Quantifizierung pathologischer Veränderungen mittels pattern expression
scores (pes) zu verbessern. Der Fehler, der im pes enthalten ist, wird hierbei um
einen Faktor reduziert, den wir als net benefit index (NBI) definiert haben. Mit CODE
konnten wir die Trennung von Alzheimer (AD)-Konvertern und -Nonkonvertern mittels
FDG-PET verbessern. Ziel dieser Arbeit war es, CODE durch eine a priori Selektion
der HK zu optimieren.
Methodik/Methods:
CODE-Optimierungen wurden anhand der FDG-PET (ADNI) von 242 gesunden Probanden, 67
AD-Patienten und 323 MCI-Patienten (hiervon 64 AD-Konverter) evaluiert. Im 1. Optimierungsansatz
(500 monte carlo runs) wurden nur die HK 1 bis n entfernt, wobei das n gesucht wurde,
das zum höchsten NBI führte. In einem 2. Ansatz (10 monte carlo runs) wurde mit einem
evolutionären Algorithmus diejenige Kombination von HK bestimmt, die den höchsten
NBI ergab. Anschließend wurden jeweils die dazugehörigen Trennschärfen zwischen AD-Konvertern
und -Nonkonvertern berechnet (AUC, t-Wert).
Ergebnisse/Results:
A) Ohne CODE: AUC = 0,68 und t = 4,3 (Konverter versus Nonkonverter). B) CODE mit
1. Optimierungsansatz: max. mittlerer NBI für n = 22 (NBI = 2,3), exakt dem n entsprechend,
bei dem (im unabhängigen Kollektiv) die max. Trennschärfe erzielt wurde (AUC = 0,74,
t = 6,4). C) CODE mit 2. Optimierungsansatz: maximaler NBI 3,4 bei Selektion von 115
± 6 von 212 HK, hierbei AUC = 0,71 und t = 5,7.
Schlussfolgerungen/Conclusions:
Durch erste Optimierungsansätze konnte CODE verbessert werden. Der Fehler beim Abschätzen
AD-spezifischer Veränderungen mittels pes (unter Zugrundelegung eines linearen Modells)
konnte durch optimiertes CODE um einen Faktor von 3,4 reduziert werden.
