Raziskovalni projekt (so)financira Javna agencija za raziskovalno dejavnost RS.
Članica UL: Fakulteta za matematiko in fiziko
Šifra projekta: J7-3150
Naziv projekta: Računalniško-podprta diferencialna diagnoza parkinsonizmov na osnovi FDG-PET slikanja
Obdobje: 1. 10. 2021 - 30. 9. 2024
Letni obseg: 1,4 FTE cenovna kategorija: C
Vodja: Urban Simončič
Veda: Naravoslovje
Sodelujoče RO, sestava projektne skupine in bibliografske reference
Vsebinski opis projekta :
V tem projektu bomo razvili dve novi orodji za računalniško podprto diferencialno diagnozo parkinsonizma in ju primerjali s standardno klinično diagnozo. Parkinsonski sindromi so skupina sindromov, za katere je značilna hipokinezija, togost, tremor v mirovanju in nenormalna hoja in drža. Najpogostejša je Parkinsonova bolezen (PD) z ocenjeno globalno razširjenostjo več kot 10 milijonov primerov in približno 5000 primerov v Sloveniji. Atipična oblika parkinsonizma vključuje atrofijo multiplega sistema (MSA), progresivno supranuklearno paralizo (PSP) in kortikobazalno degeneracijo (CBD). Običajni pristop k diferencialni diagnozi parkinsonizmov je kliničen, vendar je težaven v zgodnjih fazah, postavljena diagnoza pa napačna v 25%.
Fluorodeoksiglukozna pozitronska emisijska tomografija (FDG-PET) meri metabolizem glukoze v možganih, ki je tesno povezan z lokalno neuralno aktivnostjo in gostoto. Topografske značilnosti nenormalne porabe glukoze so pri različnih parkinsonskih sindromih različne. Vizualna interpretacija FDG-PET slik izboljša natančnost diferencialne diagnoze, vendar zahteva visoko usposobljenega strokovnjaka. Za identifikacijo presnovnih možganskih mrež, značilnih za bolezen, se uporablja multivariatna tehnika prostorske kovariance, znana kot skalirani podprofilni model (SSM), ki temelji na analizi glavnih osi (PCA) na slikah FDG-PET. Kvantitativni indeks izražanja vzorca za določen sindrom lahko razlikuje med bolniki s tem parkinsonizmom in zdravimi posamezniki. Za izračun verjetnosti, da imajo bolniki posamezne parkinsonske sindrome, je bila že razvita analitična več-vzorčna tehnika. Vendar pa ta tehnika bazira na mrežnih slikovnih biomarkerjih, ki so bili optimizirani za diskriminacijo med bolniki z enim samim parkinsonizmom in zdravimi posamezniki, in ne daje boljših rezultatov kot vizualna ocena slik FDG-PET.
Naš prvi pristop k računalniško podprti diferencialni diagnozi parkinsonizma je razširitev mrežne analize. Bolniki z vsemi vrstami parkinsonizma bodo vključeni v analizo, medtem ko konvencionalna mrežna analiza običajno vključuje zdrave kontrole in en parkinsonizem; uporabljena bo multinomska logistična regresija po SSM/PCA, medtem ko konvencionalna mrežna analiza uporablja standardno logistično regresijo. Drugi pristop bo klasificiral parkinsonske bolnike z modelom na osnovi globokega učenja, ki ga bo sestavljajo več plasti konvolucijskih nevronskih mrež. Pričakujemo, da bo vsaj en pristop presegel zmogljivost več-vzorčne slikovne tehnike z občutljivostjo in specifičnostjo okrog 75% in 90%, in po možnosti dosegel občutljivost in specifičnost vizualnih odčitkov, podprtih s statističnimi analizami na nivoju vokslov, ki znašata 90% oziroma 95%. Natančna zgodnja diagnoza parkinsonizma je izredno pomembna, ker: (1) različni parkinsonizmi se zdravijo različno, (2) klinične raziskave novih zdravil s potencialnim imunomodulirajočaim učinkom včasih niso uspešne, ker vključujejo napačno diagnosticirane bolnike, in (3) prognoza za različne parkinsonizme se precej razlikuje.
Za ta projekt smo sestavili edinstveno interdisciplinarno raziskovalno skupino, ki jo sestavljajo medicinski fiziki s Fakultete za matematiko in fiziko, nevrologi z Oddelka za nevrologijo, Univerzitetni klinični center Ljubljana in specialisti nuklearne medicine ter medicinski fiziki z Oddelka za nuklearno medicino, Univerzitetni klinični center Ljubljana. Skupina tako zagotavlja edinstveno multidisciplinarno platformo za predlagani projekt, ki ima strokovno znanje na področju analize medicinskih slik, dostop do kliničnih podatkov in izvršilno vlogo v klinični praksi. Zato lahko ekipa naredi napredek pri diferencialni diagnozi parkinsonizmov z razvojem algoritmov za računalniško podprto diferencialno diagnozo parkinsonizma, verificira nove algoritme na realnih kliničnih podatkih in uvede te algoritme v klinično prakso.
Rezultati in dosežki projekta:
Specifični cilj 1 zajema identifikacijo PSPRP, MSARP in CBDRP v populaciji slovenskih bolnikov s parkinsonizmi in primerjavo z že objavljenimi PSPRP, MSARP in CBDRP iz drugih populacij pacientov. Po planu smo v prvem letu prišli do novih slik FDG-PET normalnih kontrol, podatki pa so pripravljeni in urejeni v podatkovni bazi LabKey. Identificirali smo tudi vzorce za MSARP in PSPRP (COBISS.SI-ID 106959619), ne pa še CBDRP.
Specifični cilj 2 zajema razvoj algoritma za klasifikacijo pacientov z različnimi parkinsonizmi s pomočjo multinomske logistične regresije. Skladno s planom smo raziskali softversko arhitekturo ScAnVP, vendar se nismo odločili za razvoj multinomskega logistično regresijskega algoritma za klasifikacijo bolnikov s parkinsonizmom na osnovi programske opreme ScAnVP. Namesto tega smo tovrstni program dizajnirali in napisali na novo. Trenutno je v fazi preizkušanja, kar nekoliko prehiteva plan v predlogu projekta.
Specifični cilj 3 zajema razvoj modela na osnovi globokega učenja za klasifikacijo pacientov z različnimi parkinsonizmi. Razvoj modela za razvrščanje bolnikov s parkinsonizmom na osnovi globokega učenja se začel z raziskovanjem novejše literature. Glede na izkušnje z demencami (COBISS.SI-ID 130199043), bo ta model nekoliko enostavnejši od predvidenega in ne bo temeljil na konvolucijskih nevronskih mrežah, pač pa na enostavnejših klasifikatorjih, kot npr. metoda podpornih vektorjev.
Specifični cilj 4 zajema primerjavo klasifikacijskega algoritma na osnovi globokega učenja, algoritma za klasifikacijo s pomočjo multinomske logistične regresije in več-vzorčno slikovno tehniko. Aktivnosti iz tega specifičnega cilja so predvidene šele v tretjem letu.
