치매는 일상생활에 지장이 있을 정도로 인지 기능이 저하되는 상태를 특징으로 하는 증후군이다. 특히 알츠하이머 치매(AD)는 전체 치매의 60-80%의 가장 흔한 유형이다. 그러나 AD의 가장 효과적인 관리는 조기 진단을 통해 증상 진행을 지연시키고 인지 기능의 개선을 바라는 것이다. AD 발병 고위험환자의 선별 및 조기진단은 적절한 치료를 통해 인지 기능 저하를 최소화할 수 있을 것이다. 경도인지장애(MCI)는 정상적인 노화와 치매 사이의 중간 정도인 인지장애 상태를 말하며, 건강한 노인에 비해 AD로 진행될 위험이 높다. 따라서 AD로 전환될 위험이 있는 ...
치매는 일상생활에 지장이 있을 정도로 인지 기능이 저하되는 상태를 특징으로 하는 증후군이다. 특히 알츠하이머 치매(AD)는 전체 치매의 60-80%의 가장 흔한 유형이다. 그러나 AD의 가장 효과적인 관리는 조기 진단을 통해 증상 진행을 지연시키고 인지 기능의 개선을 바라는 것이다. AD 발병 고위험환자의 선별 및 조기진단은 적절한 치료를 통해 인지 기능 저하를 최소화할 수 있을 것이다. 경도인지장애(MCI)는 정상적인 노화와 치매 사이의 중간 정도인 인지장애 상태를 말하며, 건강한 노인에 비해 AD로 진행될 위험이 높다. 따라서 AD로 전환될 위험이 있는 MCI 환자에 대한 조기 검진 및 치료 결정은 AD의 진행을 지연시키고 치료 비용 절감에 기여할 것이다. 우리는 MCI 환자의 AD 진행을 위험 예측을 위한 딥 러닝 생존 모델을 개발하고, 뇌 영상을 사용해 예측 성능을 개선하고, 개인별 예측을 시각화하는 것을 목표로 했다. 우리는 시간 의존적 일치 지수 Ctd index)를 사용하여 딥러닝 모델과 기존 생존 모델(Cox 비례 위험 모델(CoxPH), 랜덤 생존 포레스트(RSF))을 비교하여 5년 이내의 알츠하이머 치매로의 진행 예측 성능을 평가했다. 모델 개발을 위해 우리는 알츠하이머병 신경영상 이니셔티브(ADNI) 데이터 세트에서 자기공명영상(MRI), 18F-플루오로데옥시글루코스(FDG) 및 아밀로이드-베타(Aβ) 양전자방출단층촬영(PET)을 시행한 경도인지장애 환자 506명을 사용했다. 뇌척수액 검사 및 인지 평가를 포함한 선택된 특징 세트를 사용하여, 딥러닝 모델, CoxPH 및 RSF는 각각 0.8671, 0.8366 및 0.8660 의 Ctd index를 기록했다. 딥러닝 모델은 Aβ-PET을 선택된 특징 세트에 추가했을 때 Ctd index가 0.8775 였으며, 특징 중요도에서 Aβ-PET이 가장 높은 순위를 차지했다. 또한, 본 딥 러닝 모델은 개별 AD 진행 예측을 생존 함수로 시각화하고 개인화된 뇌 이미지에서 예측 핵심 영역을 강조할 수 있다. 본 연구는 딥 러닝 모델이 Aβ-PET 이미지를 사용하여 AD 전환의 예측을 개선하고 개인화된 예측 결과를 제공할 수 있음을 보여준다.
치매는 일상생활에 지장이 있을 정도로 인지 기능이 저하되는 상태를 특징으로 하는 증후군이다. 특히 알츠하이머 치매(AD)는 전체 치매의 60-80%의 가장 흔한 유형이다. 그러나 AD의 가장 효과적인 관리는 조기 진단을 통해 증상 진행을 지연시키고 인지 기능의 개선을 바라는 것이다. AD 발병 고위험환자의 선별 및 조기진단은 적절한 치료를 통해 인지 기능 저하를 최소화할 수 있을 것이다. 경도인지장애(MCI)는 정상적인 노화와 치매 사이의 중간 정도인 인지장애 상태를 말하며, 건강한 노인에 비해 AD로 진행될 위험이 높다. 따라서 AD로 전환될 위험이 있는 MCI 환자에 대한 조기 검진 및 치료 결정은 AD의 진행을 지연시키고 치료 비용 절감에 기여할 것이다. 우리는 MCI 환자의 AD 진행을 위험 예측을 위한 딥 러닝 생존 모델을 개발하고, 뇌 영상을 사용해 예측 성능을 개선하고, 개인별 예측을 시각화하는 것을 목표로 했다. 우리는 시간 의존적 일치 지수 Ctd index)를 사용하여 딥러닝 모델과 기존 생존 모델(Cox 비례 위험 모델(CoxPH), 랜덤 생존 포레스트(RSF))을 비교하여 5년 이내의 알츠하이머 치매로의 진행 예측 성능을 평가했다. 모델 개발을 위해 우리는 알츠하이머병 신경영상 이니셔티브(ADNI) 데이터 세트에서 자기공명영상(MRI), 18F-플루오로데옥시글루코스(FDG) 및 아밀로이드-베타(Aβ) 양전자방출단층촬영(PET)을 시행한 경도인지장애 환자 506명을 사용했다. 뇌척수액 검사 및 인지 평가를 포함한 선택된 특징 세트를 사용하여, 딥러닝 모델, CoxPH 및 RSF는 각각 0.8671, 0.8366 및 0.8660 의 Ctd index를 기록했다. 딥러닝 모델은 Aβ-PET을 선택된 특징 세트에 추가했을 때 Ctd index가 0.8775 였으며, 특징 중요도에서 Aβ-PET이 가장 높은 순위를 차지했다. 또한, 본 딥 러닝 모델은 개별 AD 진행 예측을 생존 함수로 시각화하고 개인화된 뇌 이미지에서 예측 핵심 영역을 강조할 수 있다. 본 연구는 딥 러닝 모델이 Aβ-PET 이미지를 사용하여 AD 전환의 예측을 개선하고 개인화된 예측 결과를 제공할 수 있음을 보여준다.
Dementia is a syndrome characterized by the decreased cognitive function that impairs an individual's ability to carry out daily activities. Many patients around the world have Alzheimer's disease (AD), which is the most common type of dementia, accounting for about 60-80% of cases. The most effecti...
Dementia is a syndrome characterized by the decreased cognitive function that impairs an individual's ability to carry out daily activities. Many patients around the world have Alzheimer's disease (AD), which is the most common type of dementia, accounting for about 60-80% of cases. The most effective management of AD is to delay the progression of symptoms and aim to improve cognitive function through early diagnosis. By identifying the timing and risk of AD progression in high-risk patients, cognitive decline can be minimized through appropriate treatment. Mild cognitive impairment (MCI) is a state of cognitive impairment intermediate between normal aging and dementia. The risk of progressing to AD is higher in MCI patients than cognitively healthy individuals. Therefore, early screening and treatment decisions for MCI patients at risk of converting to AD will delay the progression of AD and reduce treatment costs. In this study, we aimed to develop deep learning (DL) survival model for AD progression in MCI patients, improve the prediction performance using neuroimaging modalities and visualize individual prediction. We compared DL model with traditional survival models such as Cox proportional hazards model (CoxPH) and random survival forest (RSF) using the time-dependent concordance index (Ctd index) to evaluate their 60-month AD progression prediction performance. And we validate the model with a permutation feature importance method and visualize individual prediction with survival functions and activation map. We enrolled 506 MCI patients who underwent magnetic resonance imaging (MRI), 18F-fluorodeoxyglucose (FDG), and amyloid-β (Aβ) positron emission tomography (PET) from the Alzheimer’s Disease Neuroimaging Initiative dataset. Using selected feature set including cerebrospinal fluid chemical composition and cognitive assessments, DL model, CoxPH and RSF yielded Ctd index of 0.8671, 0.8366 and 0.8660, respectively. Furthermore, the DL model achieved an improved Ctd index of 0.8755 when Aβ-PET images were included. In the feature importance analysis, Aβ-PET image was ranked top. The deep learning model could visualize individual AD progression prediction as a survival function and highlight critical prediction regions from personalized brain images. This study demonstrates that deep learning model could improve the prediction of AD conversion using Aβ-PET image and provide personalized prediction results.
Dementia is a syndrome characterized by the decreased cognitive function that impairs an individual's ability to carry out daily activities. Many patients around the world have Alzheimer's disease (AD), which is the most common type of dementia, accounting for about 60-80% of cases. The most effective management of AD is to delay the progression of symptoms and aim to improve cognitive function through early diagnosis. By identifying the timing and risk of AD progression in high-risk patients, cognitive decline can be minimized through appropriate treatment. Mild cognitive impairment (MCI) is a state of cognitive impairment intermediate between normal aging and dementia. The risk of progressing to AD is higher in MCI patients than cognitively healthy individuals. Therefore, early screening and treatment decisions for MCI patients at risk of converting to AD will delay the progression of AD and reduce treatment costs. In this study, we aimed to develop deep learning (DL) survival model for AD progression in MCI patients, improve the prediction performance using neuroimaging modalities and visualize individual prediction. We compared DL model with traditional survival models such as Cox proportional hazards model (CoxPH) and random survival forest (RSF) using the time-dependent concordance index (Ctd index) to evaluate their 60-month AD progression prediction performance. And we validate the model with a permutation feature importance method and visualize individual prediction with survival functions and activation map. We enrolled 506 MCI patients who underwent magnetic resonance imaging (MRI), 18F-fluorodeoxyglucose (FDG), and amyloid-β (Aβ) positron emission tomography (PET) from the Alzheimer’s Disease Neuroimaging Initiative dataset. Using selected feature set including cerebrospinal fluid chemical composition and cognitive assessments, DL model, CoxPH and RSF yielded Ctd index of 0.8671, 0.8366 and 0.8660, respectively. Furthermore, the DL model achieved an improved Ctd index of 0.8755 when Aβ-PET images were included. In the feature importance analysis, Aβ-PET image was ranked top. The deep learning model could visualize individual AD progression prediction as a survival function and highlight critical prediction regions from personalized brain images. This study demonstrates that deep learning model could improve the prediction of AD conversion using Aβ-PET image and provide personalized prediction results.
주제어
#Alzheimer's Disease Mild Cognitive Impairment Deep Learning
학위논문 정보
저자
김두영
학위수여기관
전남대학교
학위구분
국내석사
학과
인공지능융합학과
지도교수
김자혜
발행연도
2023
총페이지
54
키워드
Alzheimer's Disease Mild Cognitive Impairment Deep Learning
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.