Prediction of neurodegenerative diseases from functional brain imaging data

Vroege opsporing van ziekte van Parkinson      

Neurodegeneratieve aandoeningen leiden tot uitdagende problemen, zeker in landen met een hoge levensverwachting. Aangezien deze aandoeningen een zeer geleidelijk verloop hebben is het lastig om ze in een vroeg stadium op te sporen. Bovendien vertonen patiënten met verschillende aandoeningen vaak vergelijkbare ziekteverschijnselen, waardoor ze lastig te onderscheiden zijn.

Het onderzoek van Deborah Mudali was er op gericht diverse technieken te ontwikkelen om, op basis van hersenbeelden die gemaakt zijn via Positron Emissie Tomografie (PET), neurodegeneratieve aandoeningen te kunnen classificeren en eventueel het ziekteverloop te voorspellen.  Daarbij richtte zij zich vooral op Parkinsonachtige aandoeningen.

Mudali heeft principale component-analyse gecombineerd met het geschaalde subprofielmodel om kenmerken uit de hersenbeelden te halen die geschikt zijn voor classificatie. Vervolgens zijn deze kenmerken als invoer gebruikt voor verscheidene classificatie-algoritmen, bijvoorbeeld besluitbomen, "generalized matrix learning vector quantization" en "support vector machines", om te proberen de Parkinson-achtige aandoeningen te classificeren. Deze aanpak is vervolgens gevalideerd.

De besluitboommethode is vergeleken met de stapsgewijze regressiemethode, welke probeert een aantal "goede" principale componenten te combineren. Stapsgewijze regressie classificeerde de Parkinson-achtige aandoeningen beter dan een besluitboom. Het is mogelijk de twee methodes te combineren. De besluitbomen helpen de classificatieresultaten te visualiseren, en geven hiermee inzicht in de distributie van de kenmerken.

Zowel "generalized matrix learning vector quantization" en "support vector machines" zijn beter dan besluitbomen in het classificeren van in een vroeg stadium optredende Parkinson-achtige aandoeningen.

Mudali concludeert dat alle onderzochte classificatiemethoden goede resultaten gaven met aandoeningen in verder gevorderde stadia. Zij stelt dat "generalized matrix learning vector quantization" en besluitbomen interessant zijn voor verder onderzoek naar de classificatie en voorspelling van neurodegeneratieve aandoeningen.

Het onderzoek van Deborah Mudali vond plaats bij de afdeling Wetenschappelijke Visualisatie en Computergrafiek van het Johann Bernoulli Instituut en is gefinancierd door NUFFIC. Mudali werkt nu als docent aan de Mbarara University (Oeganda).

Proefschrift: http://hdl.handle.net/11370/2bc5f23c-7e4e-417a-aefa-7bb9c9af35bc