Magnetic resonance imaging based differential diagnosis and prognosis of mild cognitive impairment in parkinson`s disease using machine learning

Abstract

Parkinson hastalığı hafif kognitif bozukluğu (PH-HKB) demans için büyükbir risk faktörüdür ve PH'nin %26.7'sinde bulunur. Bu çalışmada, makine öğrenmeyöntemleri kullanılarak Parkinson hastalığı hafif bilişsel bozukluğu (PH-HKB), bilişselolarak normal Parkinson hastalığı (PH-KN) ve sağlıklı kontrol (SK) grupları multimodalmanyetik rezonans görüntülemeye (MRG) dayalı sınıflandırılmıştır. Ek olarak,boylamsal çalışma ile PD-HKB hastalarında zaman içinde meydana gelen değişikliklerbulunmuştur. Çalışmaya 33 PH-HKB, 27 PH-KN ve 17 SK katılmıştır. Nöropsikolojiktest ve muayene sonuçlarına göre katılımcılara nörologlar tarafından tanı konulmuştur.MRG verileri, 32 kanallı kafa bobini kullanılarak 3T Philips klinik MR sistemindealınmıştır. Atardamar fırıl etiketleme (ASL) yönteminden elde edilen serebralkan akışı (SKA), atardamar kan hacmi (aKH) ve kan ulaşma zamanı (KUZ) verileri,difüzyon tensör görüntülemeden (DTG) elde edilen fraksiyonel anizotropi (FA) ve ortalamadifüzivite (MD) verileri, proton MR spektroskopik görüntülemeden (1H-MRSG)elde edilen metabolit pik oranları makine öğrenme yöntemlerinde öznitelik olarak kullanılmıştır.Rassal ormanlar kullanarak özçağrılı öznitelik seçimi yapılmıştır. Boylamsalanaliz için lineer karma model kullanılmıştır ve yaş, eğitim, cinsiyet, genetik bilgilerive vizyospasyal bozukluk durumu kovaryant olarak kullanılmıştır. En iyi sınıflandırmadoğrulukları, SK ve PH-HKB için % 77, PH-HKB ve PH-KN için % 71, SK ve PHKNiçin % 86 olarak bulunmuştur. Multimodal MRG verilerine dayalı makine öğrenmesininPH-HKB'nin erken tanısında yardımcı olabileceği düşünülmüştür. İleridekiçalışmalarda, daha büyük hasta popülasyonlarında multimodal MRG temelli PH-HKBsınıflandırmasının iyileştirilmesi hedeflenmektedir.

Parkinson's disease mild cognitive impairment (PD-MCI), which is one of the major risk factors for dementia, is present in 26.7/% of PD patients. In this study, we classified PD-MCI, cognitively normal Parkinson's disease (PD-CN) and healthy control (HC) groups based on multimodal magnetic resonance imaging (MRI) using machine learning methods. We also investigated time dependent changes in PD-MCI patients through a longitudinal study. 33 PD-MCI, 27 PD-CN and 17 HC participated in this study. The participants were diagnosed by neurologists according to the neuropsychological test scores and physical examination results. MRI data was obtained at a 3T Philips clinical MR scanner using a 32-channel head coil. Mean cerebral blood flow (CBF), arterial blood volume (aBV) and bolus arrival time (BAT) maps obtained from arterial spin labeling MRI (ASL-MRI), fractional anisotropy (FA) and mean diffusivity (MD) maps obtained from diffusion tensor imaging (DTI), and metabolite peak ratios obtained from proton MR spectroscopic imaging (1H-MRSI) at various brain regions were used as features. Various machine learning methods were employed with appropriate hyperparameters. Random forest recursive feature elimination (RF-RFE) technique was used for feature selection. For longitudinal analysis, linear mixed effects model was utilized with age, education, gender, visuospatial disorder status, and genotype as covariants. The best classification accuracies were 77/% for PD-MCI versus HC, 71/% for PD-MCI versus PD-CN, and 86/% for PD-CN versus HC. Machine learning based on multimodal MRI might be helpful in early diagnosis of PD-MCI. Reduced aBV and FA, and higher MD values were observed in time in PD-MCI. Future studies will aim to improve the classification of PD-MCI in a larger patient cohort.