Un model de deep learning prezice deteriorarea cognitivă vasculară din scanările cerebrale
Scanările RMN standard relevă hiperintensități ale materiei albe, dar acestea sunt frecvente și la persoanele vârstnice sănătoase, explică profesorul Tang.
„DTI captează integritatea microstructurală a materiei albe – anisotropia fracționată (FA) și difuzivitatea medie (MD) – care este mult mai sensibilă la daunele subtile cauzate de bolile vasculare minore.”
Echipa a dezvoltat un model DenseNet – o rețea neuronală convoluțională dens conectată – care învață caracteristici ierarhice direct din volumele brute DTI. Acesta a fost antrenat și validat pe un set intern de date format din 134 de pacienți cu SVCI și 171 cu SIVD. Pentru a asigura funcționarea modelului pe date provenite din diferite scanere și populații, au folosit adaptarea de domeniu nesupravegheată (UDA) cu un cohort extern de 90 de pacienți cu SVCI și 103 cu SIVD. Doar imaginile din domeniul țintă, fără etichete, au fost utilizate pentru adaptare; un set de testare independent (45 SVCI, 50 SIVD) a fost rezervat pentru evaluarea finală.
Cel mai bun model, utilizând FA și MD împreună, a obținut o acuratețe de 0.902 pe setul de testare intern și 0.926 pe setul de testare din domeniul țintă, cu un area under the ROC curve (AUC) de 0.951 și 0.942, respectiv. „Aceasta este considerabil mai bună decât abordarea noastră anterioară de învățare automată care necesita inginerie manuală a caracteristicilor”, subliniază profesorul Li.
„Mai important, probabilitatea prezisă de SVCI a modelului corelează puternic cu scorurile neuropsihologice reale – MoCA, MMSE, recuperarea memoriei și testele Trail Making – astfel încât probabilitatea în sine oferă clinicianului o măsură continuă a severității cognitive.”
Pentru a face modelul „cutia neagră” interpretabil, cercetătorii au folosit backpropagation ghidat pentru a genera hărți semnificative – contribuțiile voxel cu voxel la decizia modelului. Modelul s-a concentrat pe 11 regiuni ale materiei albe, inclusiv corona radiată, fascicul longitudinal superior, corpul calos, capsula internă și radiația thalamică posterioară. Acestea sunt exact traiectele cunoscute ca fiind afectate în bolile vasculare minore și sunt legate funcțional de atenție, control executiv și memorie.
„Atunci când am folosit doar datele DTI din acele regiuni semnificative și am antrenat un CNN separat pentru a prezice scorurile neuropsihologice, predicțiile au fost semnificativ corelate cu scorurile reale – demonstrând că atenția modelului este semnificativă din punct de vedere neuropsihologic”, afirmă profesorul Qin.
SVCI este heterogen: un pacient poate avea în principal probleme de memorie, altul disfuncție executivă. Echipa a dorit să depășească diagnosticul binar, creând un instrument bazat pe imagistică care să estimeze riscul unui individ în fiecare domeniu cognitiv. În primul rând, au calculat informația mutuală voxel cu voxel (MI) între imaginile FA-MD și cele șase scale neuropsihologice la pacienții cu SVCI. Acest lucru a produs șase „hărți de relevanță” specifice domeniilor, arătând unde daunele materiei albe poartă cele mai multe informații despre performanța cognitivă. Suprapunerile între aceste hărți au fost scăzute (media Dice 0.057), confirmând că fiecare domeniu cognitiv are o amprentă structurală distinctă.
Pentru fiecare pacient SVCI, cercetătorii au calculat Indicele de Similaritate Structurală (SSIM) între harta de greutate semnificativă a pacientului (din DenseNet) și fiecare dintre cele șase hărți MI specifice domeniilor. „SSIM ne spune cât de mult tiparul de anomalii ale materiei albe al pacientului seamănă cu tiparul la nivel de populație care este cel mai informativ pentru, să zicem, memorie sau funcție executivă”, explică Dr. He. Folosind clustering K-means nesupravegheat pe scorurile SSIM, au împărțit pacienții în subgrupuri de similaritate scăzută, moderată și ridicată pentru fiecare domeniu cognitiv. În fiecare domeniu, pacienții din clusterul de similaritate ridicată au avut o performanță neuropsihologică semnificativ mai slabă – de exemplu, scoruri MoCA mai mici sau timpi mai lungi la testele Trail Making. „Aceasta înseamnă că acum putem stratifica pacienții cu SVCI nu doar prin diagnostic general, ci și prin riscul lor prezis de afectare în funcții cognitive specifice, totul dintr-o singură scanare DTI.”
Acest cadru necesită doar o secvență standard DTI, care este deja parte din multe protocoale clinice RMN. Nu se bazează pe teste neuropsihologice consumatoare de timp, ceea ce îl face deosebit de valoros pentru persoanele în vârstă sau în medii cu resurse limitate. Autorii recunosc limitările: dimensiunea cohortelor este modestă pentru deep learning, iar analiza actuală este transversală. Cu toate acestea, cohorta VIVA este supusă unui follow-up anual, ceea ce va permite predicții longitudinale ale declinului cognitiv. Lucrările viitoare vor încorpora imagistica multimodală și biomarkerii din sânge.
Studiul nostru arată că deep learning poate nu doar să identifice cu acuratețe SVCI de la SIVD, ci și să extragă o „semnătură de risc cognitiv” personalizată din aceeași scanare cerebrală. Aceasta ne apropie de medicina de precizie pentru afectarea cognitivă vasculară – permițând intervenții timpurii și țintite adaptate la modelul unic de leziuni ale materiei albe al fiecărui pacient.
