Automatizált algoritmusok fejlesztése a kognitív hanyatlás korai diagnosztikájában
Az Alzheimer-kór (AK) az időskori demencia egyik leggyakoribb oka, mely a szellemi képességek romlásával jár. Az AK jelenleg világszerte jelentős problémát okoz, aminek legfőbb oka a késői diagnózis. Differenciál diagnosztikája jelenleg klinikai vizsgálatokon (neuropszi- chológiai tesztek, strukturális MRI (Magnetic Resonance Imaging) és liqour vizsgálatok) alapul. Egyik enyhébb, általában a tényleges betegséget megelőző formája – amellyel én is foglalkozom - az enyhe kognitív zavar (Mild Cognitive Impairment; MCI). Az MR felvételek elemzése során több probléma is felmerül: a strukturális felvételek elemzése csak UNIX rendszeren futtatható; a funkcionális felvételek elemzésénél különböző előfeldolgozási lépéseinek alkalmazásában nincs egységes konszenzus, továbbá minden kiértékeléshez alap programozói tudás szükséges.
A diplomamunka célja egy olyan felület létrehozása Python segítségével, amely lehetővé teszi mind a strukturális mind az fMRI felvételek elemzését és emelett lehetőség van az ezekből készült adatok automatikus adatbázisba való felvételére. További cél egy adatbázis létrehozása MCI-os betegekkel és nemben, valamint korban megegyező kont- roll alanyokkal, majd az adatbázis felhasználása adatbányászathoz és gépi tanulás alapú tanításhoz, biomarkerek meghatározásához.
A diplomamunka során egy olyan GUI-t hoztam létre Pythonban ami automatizálja az MRI adatok elemzését. A CONN Toolboxot a MATLAB Python API segítségével a Freesurfer programot pedig a WSL-el integráltam. A programmal összesen 78 alanyt (32 MCI és 46 kontroll) elemeztem 2 kutató központból, majd az elemzett adatokat felhasználtam gépi tanulás alapú klasszifikációhoz és biomarker identifikációhoz. A gépi tanuláshoz három konnektivitási mértéket (IC, LCOR, fALLF) használtam fel az rs-fMRI mérésekből. Egy SFFS nevű algoritmust alkalmaztam a megfelelő változók kiválasztására, amiket a Random Forest és Support Vector Machine algoritmussal validáltam. A strukturális MRI adatokból pedig a releváns régiókat kiválogattam majd két mintás T próbát hajtottam végre a két csoport közötti különbség megítélésre.
Az általam készített GUI lehetővé teszi mind két fajta elemzést illetve az ebből létrejött adatok adatbázisba való felvételét. A gépi tanulás alapú algoritmusok során a legjobb eredmény 87% volt, amit a fALLF metrikával sikerült elérni. A strukturális adatok során kiderült, hogy az Entorhinális kéreg szignifikánsan kisebb (p < 0, 0001) az MCI-os alanyokban, mint a kontroll csoportokban.
A GUI leegyszerűsíti és megkönnyíti az elemzéseket, illetve az ebből született adatok feldolgozását. A programban implementálva lettek a kidolgozott gépi tanulás alapú algoritmusok is, amik segítésgével egy predikciót is kaphatunk arra, hogy a vizsgált páciens, melyik csoportba tartozik. A feature selection algoritmusok által kiválasztott változók, valamint a strukturális elemzésekből származó Entorhinális kéreg biomarkerként szolgálhatnak a betegség diagnosztizálásában. Az rs-fMRI metrikákat a gépi tanulás alapú algoritmusokkal pedig egyéb betegségek esetén is lehet alkalmazni.
szerző
-
Bolla Gergő
Egészségügyi mérnök szak, mesterképzés
mesterképzés (MA/MSc)
konzulens
-
Dr. Antal Péter
egyetemi docens, Méréstechnika és Információs Rendszerek Tanszék
