Learning the irreversible progression trajectory of Alzheimer’s disease

要約

アルツハイマー病 (AD) は、30 年かけて進行する進行性の不可逆的な脳障害です。
したがって、症状が現れる前に介入を適用できるように、病気の進行を早期に把握することが重要です。
機械学習 (ML) モデルは、AD の発症の予測に効果的であることが示されています。
しかし、フォローアップ来院のある被験者の場合、既存の AD 分類技術は正確なグループ割り当てのみを目的としており、フォローアップ来院全体で単調に増加するリスクは通常無視されます。
結果として来院ごとに変動するリスクスコアはアルツハイマー病の不可逆性を侵害し、モデルの信頼性を妨げ、また疾患の進行を理解する上でほとんど価値をもたらさない。
この問題に対処するために、AD を長期的に予測するための新しい正則化アプローチを提案します。
私たちの技術は、表現力を維持しながら、進行中に疾患リスクが増加するという予想される単調性を維持することを目的としています。
具体的には、モデルがフォローアップ訪問全体で一貫して順序付けられた方法で疾患リスクを予測することを促進する単調性制約を導入します。
アルツハイマー病神経イメージングイニシアチブ (ADNI) からの縦方向構造 MRI およびアミロイド PET イメージング データを使用して、この方法を評価します。
私たちのモデルは、疾患リスクの進行性を捉える点で既存の技術を上回っており、同時に予測精度を維持しています。

要約(オリジナル)

Alzheimer’s disease (AD) is a progressive and irreversible brain disorder that unfolds over the course of 30 years. Therefore, it is critical to capture the disease progression in an early stage such that intervention can be applied before the onset of symptoms. Machine learning (ML) models have been shown effective in predicting the onset of AD. Yet for subjects with follow-up visits, existing techniques for AD classification only aim for accurate group assignment, where the monotonically increasing risk across follow-up visits is usually ignored. Resulted fluctuating risk scores across visits violate the irreversibility of AD, hampering the trustworthiness of models and also providing little value to understanding the disease progression. To address this issue, we propose a novel regularization approach to predict AD longitudinally. Our technique aims to maintain the expected monotonicity of increasing disease risk during progression while preserving expressiveness. Specifically, we introduce a monotonicity constraint that encourages the model to predict disease risk in a consistent and ordered manner across follow-up visits. We evaluate our method using the longitudinal structural MRI and amyloid-PET imaging data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI). Our model outperforms existing techniques in capturing the progressiveness of disease risk, and at the same time preserves prediction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google