Erhöhte Erkennung von leichter kognitiver Beeinträchtigung bei Alzheimer-Krankheit: ein hybrides Modell zur Integration dualer Biomarker und fortschrittlicher maschineller Lernmethoden

Die Alzheimer-Krankheit (AD) ist eine komplexe, fortschreitende und irreversible neurodegenerative Erkrankung, die durch kognitiven Rückgang und Gedächtnisverlust gekennzeichnet ist. Eine frühe Diagnose ist die effektivste Strategie, um das Fortschreiten der Erkrankung zu verlangsamen. Leichte kognitive Beeinträchtigung (MCI) wird häufig als entscheidende Phase vor dem Ausbruch der AD betrachtet, was sie zur idealen Zeit für therapeutische Interventionen macht. AD ist gekennzeichnet durch die Ansammlung von Amyloid-beta (Aβ)-Plaques und Tau-neurofibrillären Verwicklungen (NFTs), die als Ursache für den neuronalen Verlust und den kognitiven Rückgang angesehen werden. Sowohl Aβ-Plaques als auch NFTs sammeln sich über viele Jahre an, bevor die klinischen Symptome in der AD offensichtlich werden. Daher wird in dieser Studie Biomarker-Informationen aus dem cerebrospinalen Fluid (CSF) mit Volumina des Hippocampus kombiniert, um zwischen MCI und AD zu unterscheiden. Dazu wird ein neuartiges zweistufiges hybrides Lernmodell vorgeschlagen, das 3D-CNN und das Konzept eines Fuzzy- und maschinellen Lernmodells nutzt. Eine 3D-CNN-Architektur wird verwendet, um den Hippocampus aus den strukturellen 3D-MR-Bildern des Gehirns zu segmentieren und das Volumen des Hippocampus zu quantifizieren. In Stufe 1 wird das Volumen des Hippocampus durch dreizehn Modelle des maschinellen Lernens und fuzzy clustering geleitet, um symptomatische AD und gesunde Gehirne (Normalkontrolle - NC) zu klassifizieren. Die CSF-Daten werden gefuzzifiziert, um die inhärente Unsicherheit und Überlappung in klinischen Daten zu erfassen. Die identifizierten symptomatischen AD-Daten in Stufe 1 werden in Stufe 2 weiter in MCI und AD mit Hilfe eines gefuzzifizierten CSF-Biomarkers klassifiziert. Die experimentellen Arbeiten in dieser Studie verwendeten den Datensatz der Alzheimer Disease Neuroimaging Initiative (ADNI). Das vorgeschlagene hybride Modell erreichte eine durchschnittliche Genauigkeit von 93,6 % bei der Unterscheidung zwischen NC und symptomatischer AD und 93,7 % bei der Unterscheidung zwischen MCI und AD. Dieser Ansatz verbessert die diagnostische Genauigkeit und bietet eine umfassendere Bewertung, die frühere und gezieltere therapeutische Interventionen ermöglicht.