การจำแนกและวินิจฉัยโรคอัลไซเมอร์จากภาพรังสีวิทยาของสมองด้วยภาพ T1-weighted MRI โดย SVM อัลกอริทึม
คำสำคัญ:
โรคอัลไซเมอร์, ภาวะถดถอยทางสมอง, SVM อัลกอริทึม, ภาพ T1-weighted MRIบทคัดย่อ
บทนำ: ปัจจุบันโรคอัลไซเมอร์ถือเป็นหนึ่งในปัญหาเชิงสุขภาพของประชากรโลก โดยตัวบ่งชี้ทางชีวภาพ (biomarker) ที่สำคัญสำหรับการตรวจวินิจฉัยโรคอัลไซเมอร์โดยแพทย์คือ การใช้ภาพรังสีวิทยาของสมองด้วยภาพ T1-weighted MRI ข้อสำคัญคือการตรวจวินิจฉัยโรคอัลไซเมอร์ในระยะแรกเริ่มมีผลต่อการชะลอความรุนแรงของการดำเนินโรคให้ลดน้อยลง การศึกษานี้มีวัตถุประสงค์เพื่อสร้างปัญญาประดิษฐ์ในรูปแบบของแบบจำลองการเรียนรู้ด้วยเครื่อง (Machine learning model) สำหรับการพยากรณ์การดำเนินของโรคอัลไซเมอร์ในระยะแรกเริ่ม ประกอบไปด้วย ภาวะถดถอยทางสมองในระยะท้าย (Late mild cognitive impairment, LMCI) ภาวะถดถอยทางสมองในระยะต้น (Early mild cognitive impairment, EMCI) และ ผู้ป่วยที่ไม่มีภาวะสมองเสื่อม (Cognitive normal, CN) ซึ่งแบบจำลองถูกออกแบบและเรียนรู้จากภาพรังสีวิทยาของสมองประเภท 3DT1-weighted MRI ผ่าน Support Vector Machine (SVM) อัลกอริทึม สำหรับการพยากรณ์โรคในกลุ่มผู้ป่วยอายุ 65-75 ปี วิธีการศึกษา: ภาพรังสีวิทยาของสมองในงานวิจัยนี้รวบรวมข้อมูลจากสถาบัน Alzheimer’s Disease Neuroimaging Initiative ประกอบไปด้วยข้อมูลภาพรังสีวิทยาสมองของผู้ป่วยภาวะถดถอยทางสมองในระยะท้าย จำนวน 61 คน ผู้ป่วยภาวะถดถอยทางสมองในระยะต้น จำนวน 95 คน และผู้ป่วยที่ไม่มีภาวะสมองเสื่อม จำนวน 92 คน โดยวิธีการสร้างแบบจำลองในการศึกษาครั้งนี้ประกอบไปด้วย 3 ขั้นตอนหลัก ได้แก่ ขั้นที่ 1 การเตรียมข้อมูล (Data preprocessing) ขั้นที่ 2 การสกัดคุณลักษณะของข้อมูล (Feature extraction) และขั้นที่ 3 การจำแนกประเภทและการทำนายข้อมูลโดยอัลกอริทึม (Algorithm classification) ในขั้นตอนที่ 1 และ 2 มีการใช้งานซอฟต์แวร์ FreeSurfer สำหรับการเตรียมข้อมูลและการสกัดข้อมูล และในขั้นตอนสุดท้ายใช้การจำแนกและทำนายข้อมูล ในลักษณะตัวจำแนกแบบไบนารี จำนวนทั้งสิ้น 3 คู่การจำแนก (คู่การจำแนก CN กับ LMCI คู่การจำแนก CN กับ EMCI และคู่การจำแนก EMCI กับ LMCI) และมีการใช้เทคนิคคัดเลือกคุณลักษณะ (Feature selection) ผ่านค่าสถิติ F1-score ร่วมกับการจำแนกและทำนายข้อมูลของแบบจำลอง ผลการศึกษา: คู่การจำแนก CN กับ LMCI มีค่า AUC เท่ากับ 0.79 และมีค่าความถูกต้อง (Accuracy) เท่ากับ 73.86% ในขณะที่คู่การจำแนก CN กับ EMCI มีค่า AUC เท่ากับ 0.64 และมีค่าความถูกต้อง เท่ากับ 59.89% และคู่การจำแนก EMCI กับ LMCI มีค่า AUC เท่ากับ 0.67 และมีค่าความถูกต้อง เท่ากับ 66.67% สรุปผลการศึกษา: ผลการศึกษาจากงานวิจัยนี้พบว่าแบบจำลอง SVM สำหรับการจำแนกและพยากรณ์โรคอัลไซเมอร์ในระยะแรกเริ่มประสบความสำเร็จในการทำนายสำหรับคู่การจำแนก CN กับ LMCI คู่การจำแนก EMCI กับ LMCI และคู่การจำแนก CN vs. EMCI จากค่าความสามารถในการทำนายมากไปน้อย ตามลำดับ และจากผลการศึกษาครั้งนี้ทางผู้วิจัยเล็งเห็นว่าภาพรังสีวิทยาของสมองด้วยภาพ T1-weighted MRI อาจเป็นตัวบ่งชี้ทางชีวภาพที่สำคัญสำหรับการตรวจวินิจฉัยโรคอัลไซเมอร์ในระยะแรกเริ่ม
Downloads
เอกสารอ้างอิง
2021 Alzheimer's disease facts and figures. Alzheimer's & Dementia. 2021;17(3):327-406.
Association As. 2019 Alzheimer's disease facts and figures. Alzheimer's & Dementia. 2019;15(3):321-87.
Sheng M, Sabatini BL, Südhof TC. Synapses and Alzheimer's disease. Cold Spring Harb Perspect Biol. 2012;4(5):a005777.
Bloom GS. Amyloid-β and Tau. JAMA Neurology. 2014;71(4):505.
Beason-Held LL, Goh JO, An Y, Kraut MA, O'Brien RJ, Ferrucci L, et al. Changes in Brain Function Occur Years before the Onset of Cognitive Impairment. Journal of Neuroscience. 2013;33(46):18008-14.
Jagust W. Imaging the evolution and pathophysiology of Alzheimer disease. Nature Reviews Neuroscience. 2018;19(11):687-700.
Doi K. Computer-aided diagnosis in medical imaging: Historical review, current status and future potential. Computerized Medical Imaging and Graphics. 2007;31(4-5):198-211.
Camlica Z, Tizhoosh HR, Khalvati F, editors. Medical Image Classification via SVM Using LBP Features from Saliency-Based Folded Data2015: IEEE.
Basaia S, Agosta F, Wagner L, Canu E, Magnani G, Santangelo R, et al. Automated classification of Alzheimer's disease and mild cognitive impairment using a single MRI and deep neural networks. NeuroImage: Clinical. 2019;21:101645.
Ding Y, Sohn JH, Kawczynski MG, Trivedi H, Harnish R, Jenkins NW, et al. A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain. Radiology. 2019;290(2):456-64.
Jongkreangkrai C, Vichianin Y, Tocharoenchai C, Arimura H. Computer-aided classification of Alzheimer's disease based on support vector machine with combination of cerebral image features in MRI. Journal of Physics: Conference Series. 2016;694:012036.
Tantiwetchayanon K, Vichianin Y, Ekjeen T, Srungboonmee K, Ngamsombat C, Chawalparit O. Comparison of the WEKA and SVM-light based on support vector machine in classifying Alzheimer’s disease using structural features from brain MR imaging. Journal of Physics: Conference Series. 2019;1248:012003.
(ADNI) AsDNI. Study design [Available from: http://adni.loni.usc.edu/study-design/#background-container.
Petersen RC, Aisen PS, Beckett LA, Donohue MC, Gamst AC, Harvey DJ, et al. Alzheimer's Disease Neuroimaging Initiative (ADNI): Clinical characterization. Neurology. 2010;74(3):201-9.
Fischl B. FreeSurfer. Neuroimage. 2012;62(2):774-81.
Rocha A, Goldenstein SK. Multiclass From Binary: Expanding One-Versus-All, One-Versus-One and ECOC-Based Approaches. IEEE Transactions on Neural Networks and Learning Systems. 2014;25(2):289-302.
Rifkin R, Klautau A. In Defense of One-Vs-All Classification. J Mach Learn Res. 2004;5:101–41.
Sasaki Y. The truth of the F-measure. Teach Tutor Mater. 2007.
Wood T. What is the F-score? [Available from: https://deepai.org/machine-learning-glossary-and-terms/f-score.
Hajian-Tilaki K. Receiver Operating Characteristic (ROC) Curve Analysis for Medical Diagnostic Test Evaluation. Caspian J Intern Med. 2013;4(2):627-35.
Chicco D, Jurman G. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics. 2020;21(1).
Evans A, Collins L, Mills SR, Brown ED, Kelly RL, Peters T. 3D Statistical Neuroanatomical Models from 305 MRI Volumes1993. 1813-7 vol.3 p.
Mandal PK, Mahajan R, Dinov ID. Structural Brain Atlases: Design, Rationale, and Applications in Normal and Pathological Cohorts. Journal of Alzheimer's Disease. 2012;31(s3):S169-S88.
Figueroa RL, Zeng-Treitler Q, Kandula S, Ngo LH. Predicting sample size required for classification performance. BMC Medical Informatics and Decision Making. 2012;12(1):8.
Chen X, Harrison R, Zhang Y-Q. Multi-SVM Fuzzy Classification and Fusion Method and Applications in Bioinformatics. Journal of Computational and Theoretical Nanoscience. 2005;2:534-42.
Guernine T, Zeroual K, editors. SVM Fuzzy Hierarchical Classification Method for Multi-class Problems. 2009 International Conference on Advanced Information Networking and Applications Workshops; 2009 26-29 May 2009.
Hopper MW, Vogel FS. The limbic system in Alzheimer's disease. A neuropathologic investigation. Am J Pathol. 1976;85(1):1-20.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของสมาคมรังสีเทคนิคแห่งประเทศไทย (The Thai Society of Radiological Technologists)
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับสมาคมรังสีเทคนิคแห่งประเทศไทยและบุคคลากรท่านอื่น ๆในสมาคม ฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
