Frühe Vorhersage der Alzheimer-Demenz auf der Grundlage von Baseline-Hippocampus-MRT und kognitiven Messungen nach 1 Jahr mit Hilfe tiefgehender rekurrenter neuronaler Netze

Multimodale biologische, bildgebende und neuropsychologische Marker haben vielversprechende Ergebnisse beim Unterscheiden von Alzheimer-Krankheit (AD)-Patienten und kognitiv normalen älteren Menschen gezeigt. Es bleibt jedoch schwierig, früh vorherzusagen, wann und welche Personen mit leichter kognitiver Beeinträchtigung (MCI) in AD-Demenz umschlagen werden. Inspiriert von Studien zur Musterklassifikation, die gezeigt haben, dass Musterklassifizierer, die auf longitudinalen Daten basieren, eine bessere Klassifikationsleistung erzielen können als solche, die auf Querschnittsdaten basieren, entwickeln wir ein Deep-Learning-Modell, das auf rekurrenten neuronalen Netzen (RNNs) basiert, um informative Repräsentationen und zeitliche Dynamiken von longitudinalen kognitiven Messungen einzelner Probanden zu erfassen und diese mit der Baseline-Hippocampus-MRT zu kombinieren, um ein prognostisches Modell für den Verlauf der AD-Demenz zu erstellen. Experimentelle Ergebnisse an einer großen Kohorte von MCI-Probanden haben gezeigt, dass das Deep-Learning-Modell informative Messungen aus longitudinalen Daten erfassen konnte, um den Verlauf von MCI-Probanden zur AD-Demenz zu charakterisieren, und das prognostische Modell konnte die AD-Progression mit hoher Genauigkeit früh vorhersagen.