अल्जाइमर रोग और हल्के संज्ञानात्मक हानि का पता लगाने के लिए बायोमार्कर के रूप में सतही सफेद पदार्थ की विशेषताएं

संपर्क: emily.li@wecistanche.com

बहारे बिघम, एट अल

सार:

पार्श्वभूमि:

चिकित्सा इमेजिंग और प्रसंस्करण उपकरणों के विकास के साथ, बुद्धिमान प्रणालियों द्वारा रोगों का सटीक निदान संभव हो गया है। रोगों के निदान के लिए सपोर्ट वेक्टर मशीनों (एसवीएम) की उल्लेखनीय क्षमता के कारण, एसवीएम एल्गोरिथम का उपयोग कर के वर्गीकरण के लिए व्यापक शोध किया गया है।भूलने की बीमारीबीमारी(एडी) और हल्के संज्ञानात्मक हानि (एमसीआई)।

उद्देश्य:

इस अध्ययन में, हमने रोगियों को वर्गीकृत करने के लिए एक स्वचालित पद्धति लागू कीभूलने की बीमारीबीमारीऔर सतही सफेद पदार्थ (एसडब्ल्यूएम) में प्रसार टेंसर इमेजिंग (डीटीआई) सुविधाओं के आधार पर एमसीआई और स्वस्थ नियंत्रण (एचसी) विषय।

प्रतिभागी:

इस उद्देश्य के लिए, DTI डेटा को से डाउनलोड किया गया थाभूलने की बीमारीबीमारीन्यूरोइमेजिंग इनिशिएटिव (एडीएनआई)। इस पद्धति ने 72 विषयों से डीटीआई डेटा को नियोजित किया: एचसी के साथ 24 विषय, एमसीआई के साथ 24 विषय और एडी के साथ 24 विषय।

माप: डीएसआई स्टूडियो सॉफ्टवेयर का उपयोग करके डीटीआई प्रसंस्करण किया गया था और सभी मशीन लर्निंग विश्लेषण MATLAB सॉफ्टवेयर का उपयोग करके किए गए थे।

परिणाम:

SVM का लीनियर कर्नेल सबसे अच्छा क्लासिफायरियर था, जिसमें के बीच 95.8 प्रतिशत की सटीकता थीभूलने की बीमारीबीमारीऔर एचसी समूह, उसके बाद एमसीआई और एचसी समूहों के बीच 83.3 प्रतिशत की सटीकता के साथ एसवीएम का द्विघात कर्नेल, और एडी और एमसीआई समूहों के बीच 83.3 प्रतिशत की सटीकता के साथ एसवीएम का गाऊसी कर्नेल। निष्कर्ष: AD और MCI के निदान के महत्व के साथ-साथ न्यूरोडीजेनेरेटिव रोगों के निदान में सतही सफेद पदार्थ की भूमिका को देखते हुए, इस अध्ययन में, SWM की विभिन्न DTI विधियों की विशेषताओं पर चर्चा की गई है, जो सहायता करने के लिए एक उपयोगी उपकरण हो सकता है। AD और MCI के निदान में।

कीवर्ड: सपोर्ट वेक्टर मशीन, डिफ्यूजन टेंसर इमेजिंग,भूलने की बीमारीबीमारी, हल्की संज्ञानात्मक हानि, सतही सफेद पदार्थ

अल्जाइमर रोग के लिए सिस्टैंच के बारे में अधिक जानकारी प्राप्त करने के लिए यहां क्लिक करें

1 परिचय

बढ़ती उम्र की आबादी में वृद्धि के कारण, इसका सटीक और प्रभावी पता लगानाअल्जाइमर रोग(AD) समाज में एक महत्वपूर्ण मुद्दा बन गया है [1]। हल्के संज्ञानात्मक हानि (एमसीआई) सामान्य उम्र बढ़ने से संबंधित संज्ञानात्मक गिरावट और मनोभ्रंश की अधिक गंभीर गिरावट के बीच की स्थिति है। चूंकि एमसीआई का कोई विशिष्ट इलाज नहीं है और इसके डिमेंशिया में बढ़ने का उच्च जोखिम है, इसलिए रोग का निदान और रोकथाम बहुत महत्वपूर्ण है [2]।

न्यूरोडीजेनेरेटिव रोग अक्सर मस्तिष्क के कुछ क्षेत्रों को प्रभावित करता है। सतही सफेद पदार्थ (एसडब्ल्यूएम) उन क्षेत्रों में से एक है जो रेट्रोजेनेसिस मॉडल [3, 4] के अनुसार कई बीमारियों के लिए अत्यधिक संवेदनशील पाया गया है। इस अध्ययन में, हमने एक सपोर्ट वेक्टर मशीन (एसवीएम) मॉडल विकसित किया है जो एसडब्ल्यूएम की विशेषताओं के आधार पर एचसी, एमसीआई और एडी विषयों को वर्गीकृत करता है।

चिकित्सा विज्ञान के विभिन्न क्षेत्रों में स्वचालित प्रणाली प्रौद्योगिकी के विकास के कारण, मशीन लर्निंग सिस्टम चिकित्सकों को स्वचालित रूप से रोगों का निदान करने में मदद करता है [5]। SVM, एक पर्यवेक्षित मशीन लर्निंग तकनीक के रूप में, बड़े डेटा विश्लेषण में एक बहुत शक्तिशाली उपकरण है [1]।

मस्तिष्क इमेजिंग तकनीकों को व्यापक रूप से मस्तिष्क रोग के निदान की क्षमता माना जाता है। इन तकनीकों का उपयोग करके, आक्रामक न्यूरोसर्जरी की आवश्यकता के बिना, मानव मस्तिष्क में समस्याओं की पहचान की जा सकती है। वर्तमान में, दुनिया भर के अनुसंधान केंद्रों और अस्पतालों में कई स्वीकृत सुरक्षित इमेजिंग तकनीकों का उपयोग किया जा रहा है [6]। डिफ्यूजन टेंसर इमेजिंग (DTI) एक नई MRI-आधारित न्यूरोइमेजिंग तकनीक है जो न्यूरोनल फाइबर ट्रैक्ट अखंडता [7] के आकलन की अनुमति देती है।

DTI डेटा पुनर्निर्माण को दो श्रेणियों में विभाजित किया जा सकता है: मॉडल-मुक्त और मॉडल-आधारित विधियाँ। मॉडल-आधारित विधियाँ जैसे DTI पुनर्निर्माण यह मानती हैं कि पानी के प्रसार का आकार एक 3D गाऊसी पैटर्न का अनुसरण करता है, लेकिन मॉडल-मुक्त पद्धति में वितरण पर कोई धारणा नहीं है जैसे कि q-space डिफ़ोमॉर्फिक पुनर्निर्माण (QSDR) विधि। क्यूएसडीआर पद्धति मॉन्ट्रियल न्यूरोलॉजिकल इंस्टीट्यूट (एमएनआई) अंतरिक्ष [8] में डेटा का पुनर्निर्माण करती है। डीएसआई स्टूडियो सॉफ्टवेयर (www.dsi-s tudio.labsolver.org) मॉडल-आधारित और मॉडल-मुक्त पुनर्निर्माण विधियों दोनों का समर्थन करता है।

विभिन्न माप DTI पुनर्निर्माण पद्धति से प्राप्त होते हैं जिनमें माध्य प्रसार (MD), भिन्नात्मक अनिसोट्रॉपी (FA), अक्षीय विवर्तन (AxD), और रेडियल विसरण (RD) शामिल हैं। QSDR पुनर्निर्माण पद्धति से प्राप्त घनत्व-आधारित मापों में मात्रात्मक अनिसोट्रॉपी (QA), आइसोट्रोपिक मान (ISO), प्रतिबंधित प्रसार इमेजिंग (RDI), और इसी तरह शामिल हैं।

क्यूए एक विशिष्ट दिशा में स्पिन आबादी को मापने और फाइबर आबादी (विशेष रूप से फाइबर को पार करने) को हल करने के लिए एक मीट्रिक है। सामान्यीकृत क्यूए (क्यूए) पैमाने की गणना अधिकतम क्यूए मान को एक से सामान्य करके की जाती है ताकि क्यूए विषय में अधिक तुलनीय हो सके [9]।

आरडीआई प्रसार विस्थापन रेंज (जैसे 10 माइक्रोन) [10] के संबंध में प्रतिबंधित प्रसार के घनत्व को मापने की एक विधि है।

टेंसर का उपयोग करके प्रसार की मुख्य दिशा का अनुमान लगाने की क्षमता ने ट्रैक्टोग्राफी तकनीक को भी जन्म दिया है, जिसे कनेक्टिविटी मैट्रिक्स और नेटवर्क उपायों की गणना के लिए लागू किया गया है [11]।

मस्तिष्क को एक जटिल नेटवर्क के रूप में दर्शाया गया है जिसमें न्यूरॉन्स और मस्तिष्क क्षेत्र शामिल हैं जो संरचनात्मक और कार्यात्मक रूप से संबंधित हैं। एक मस्तिष्क नेटवर्क (या ग्राफ) में नोड्स (न्यूरॉन्स या मस्तिष्क क्षेत्रों का प्रतिनिधित्व) होते हैं जो लाइनों से जुड़े होते हैं (मस्तिष्क क्षेत्रों के बीच कनेक्टिविटी) [12]।

नेटवर्क विज्ञान विश्लेषणात्मक मस्तिष्क वास्तुकला जटिलता को कम करने और मस्तिष्क कनेक्टिविटी पैटर्न को समझने में मदद कर सकता है और नैदानिक ​​विकारों के बारे में जानकारी प्रदान कर सकता है [13]।

नेटवर्क मापन में वर्गीकरण, दक्षता, पेजरैंक, बीच, छोटे-विश्व नेटवर्क, आदि शामिल हैं; उनका उपयोग एक नेटवर्क के रूप में मानव मस्तिष्क की संरचना और कार्य को बेहतर ढंग से समझने के लिए किया जाता है [14]।

केवल कुछ अध्ययनों ने विभिन्न विश्लेषण दृष्टिकोणों का उपयोग किया है जैसे कि रुचि के क्षेत्र (आरओआई), ट्रैक्टोग्राफी, और कनेक्टिविटी और नेटवर्क दोनों डीटीआई और क्यूएसडीआर पुनर्निर्माण में। हमने एडीएंड एमसीआई, एडी और एचसी, और एमसीआई और एचसी के स्वचालित बाइनरी डिटेक्शन के लिए उपर्युक्त विश्लेषण विधियों द्वारा सतही सफेद पदार्थ से निकाली गई सुविधाओं के आधार पर एसवीएम तकनीक लागू की।

2। सामग्री और प्रणालियां

इस आलेख में प्रस्तुत डेटा एक एमएससी से निकाला गया है। थीसिस और मशहद चिकित्सा विज्ञान विश्वविद्यालय की नैतिक समिति (नैतिक संख्या: IR.MUMS.MEDICAL.REC.1397.320) द्वारा समीक्षा और अनुमोदित की गई थी।

चरण इस प्रकार हैं:

2.1. आंकड़ा अधिग्रहण

तीन समूहों के 72 प्रतिभागियों का डेटा से डाउनलोड किया गया थाभूलने की बीमारीबीमारीन्यूरोइमेजिंग इनिशिएटिव (एडीएनआई) डेटाबेस। ADNI2 परियोजना से AD (n 24), MCI (n ¼ 24), और नियंत्रण (n 24) समूहों के विषयों सहित इस अध्ययन के विषयों की भर्ती की गई थी।

निम्नलिखित स्कैनिंग मापदंडों के साथ ADNI2प्रोजेक्ट से विषयों का एक संपूर्ण-मस्तिष्क DTI उत्पन्न किया गया था: निर्माता GE चिकित्सा प्रणाली; मैट्रिक्स एक्स ¼ 256.0 पिक्सल; मैट्रिक्स वाई ¼ 256.0 पिक्सल; मैट्रिक्स जेड ¼ 2714.0; पिक्सेल आकार एक्स ¼ 1.4 मिमी; पिक्सेल आकार वाई ¼ 1.4 मिमी; पल्स सीक्वेंस ईपी/एसई; पुनरावृत्ति समय (TR) 13 0 00 ms, प्रतिध्वनि समय (TE) 68.3 ms, फ्लिप कोण 90, क्षेत्र शक्ति 3.0, स्लाइस मोटाई 2.7 मिमी, 41 गैर-संरेखित दिशाएँ a b के साथ 1000 s/mm2 का मान, और बिना विसरण भार के 5 चित्र। छवियों के अलावा, विषयों के नैदानिक ​​और न्यूरोसाइकोलॉजिकल डेटा भी डाउनलोड किए गए थे।

2.2. डीटीआई प्रसंस्करण

प्रत्येक कच्चे डेटा के लिए, SWM में DTI तकनीकों की विशेषताओं को निकालने के लिए निम्नलिखित मुख्य कदम उठाए गए (चित्र 1में दिखाए गए हैं)। इन सभी प्रक्रियाओं को फाइबर ट्रैक्टोग्राफी लैब द्वारा समर्थित डीएसआई स्टूडियो सॉफ्टवेयर (उन्नत बायोमेडिकल एमआरआई लैब, नेशनल ताइवान यूनिवर्सिटी हॉस्पिटल, ताइवान से फेंग-चेंग ये द्वारा विकसित) का उपयोग करके किया गया था।

2.2.1. प्रीप्रोसेसिंग और पुनर्निर्माण चरण

डीटीआई पैरामीटर माप से पहले, सिर की गति और एड़ी-करंट और खोपड़ी की स्ट्रिपिंग का सुधार किया गया था। खोपड़ी को अलग करने और पृष्ठभूमि क्षेत्र को फ़िल्टर करने के लिए, हमने डीएसआई स्टूडियो द्वारा प्रदान किए गए मास्क का उपयोग किया। फिर अगले चरण में, हमने DSI स्टूडियो में मॉडल बेस (DTI) और फ्री मॉडल (QSDR) विकल्प सहित दो अलग-अलग पुनर्निर्माण विधियों का उपयोग किया; प्रसार छवियों को संसाधित करने के लिए दो अलग-अलग दृष्टिकोणों के साथ।

2.2.2. आरओआई दृष्टिकोण

पुनर्निर्माण कदम के बाद, आरओआई, ट्रैक्टोग्राफी और कनेक्टिविटी, और नेटवर्क विधियों से विभिन्न डीटीआई पैरामीटर प्राप्त किए गए थे। आरओआई एक विशेष उद्देश्य के लिए पहचान है, वर्तमान अध्ययन में एसडब्ल्यूएम क्षेत्र। इस क्षेत्र का मुखौटा (एमएनआई अंतरिक्ष में) अराश नाज़ेरी एट अल [15, 16] द्वारा इसी तरह के अध्ययन से प्राप्त किया गया था।

टर्मिनोलोजिया एनाटोमिका 1998 [17] और टर्मिनोलोजिया न्यूरोएनाटोमिका 2017 (FIPAT। टर्मिनोलोजिया न्यूरोएनाटोमिका। FIPAT.library.dal.ca. फेडरेटिव इंटरनेशनल प्रोग्राम फॉर एनाटोमिकल टर्मिनोलॉजी, फरवरी 2017) में मस्तिष्क क्षेत्रों के विभाजन के अनुसार, हमने SWM क्षेत्र को विभाजित किया है। तलैराच एटलस [18] (चित्र 2) द्वारा ललाट, पार्श्विका, लौकिक, पश्चकपाल, लिम्बिक और द्वीपीय लोब (प्रत्येक तरफ) सहित 12 संरचनात्मक क्षेत्र। इन क्षेत्रों की पुष्टि दो अनुभवी रेडियोलॉजिस्ट ने की थी। अंत में, हमने डीएसआई-स्टूडियो सॉफ्टवेयर एटलस तक बेहतर और आसान पहुंच के लिए उप-क्षेत्र एसडब्ल्यूएम एटलस जोड़े। कुल मिलाकर, प्रत्येक क्षेत्र के लिए 12 एसडब्ल्यूएम क्षेत्रों और औसत डीटीआई और क्यूएसडीआर मूल्यों की गणना की गई।

2.2.3. ट्रैक्टोग्राफी दृष्टिकोण

ट्रैक्टोग्राफी मापदंडों को निकालने के लिए, क्रमशः फाइबर ट्रैकिंग थ्रेशोल्ड निर्धारित करने के लिए डीटीआई और क्यूएसडीआर पुनर्निर्माण के लिए एफए और क्यूए इंडेक्स का उपयोग किया गया था। प्रारंभ में, एसडब्ल्यूएम क्षेत्रों (आरओआई के रूप में) को रखा गया था और क्षेत्रों से अलग ट्रैक्टोग्राफी का प्रदर्शन किया गया था। प्रत्येक एसडब्ल्यूएम क्षेत्र की ट्रैक्टोग्राफी 100000 बीजों के साथ की गई थी, जो सबवॉक्सल पदों पर बेतरतीब ढंग से उत्पन्न हुई थी, और बीजों को सभी एसडब्ल्यूएम क्षेत्रों में रखा गया था, जिसका चरण आकार 0 (0.5 स्वर) था। से 1.5 स्वर दूरी) और 1 का चौरसाई मान। एक सीडिंग बिंदु के प्राथमिक फाइबर से ट्रैकिंग को स्ट्रीमलाइन (यूलर) पर सेट किया गया था, और दिशा प्रक्षेप को ट्रिलिनियर पर सेट किया गया था। फाइबर की लंबाई सीमा 30 और 300 मिमी के बीच निर्धारित की गई थी।

2.2.4। कनेक्टिविटी और नेटवर्क विश्लेषण

ट्रैक्टोग्राफी करने के बाद, मस्तिष्क SWM ​​क्षेत्रों और मस्तिष्क नेटवर्क उपायों के बीच संरचनात्मक संपर्क QSDR पुनर्निर्माण विधि द्वारा प्राप्त किया गया था। ऐसा करने के लिए, कनेक्टिविटी और नेटवर्क मापदंडों को निकालने के लिए "कनेक्टिविटी मैट्रिक्स" विकल्प का उपयोग किया गया था। ताकि पूरे मस्तिष्क की एक ट्रैक्टोग्राफी करने के बाद, कनेक्शन की गिनती के आधार पर एसडब्ल्यूएम के क्षेत्रों के बीच इंटरकनेक्शन माप का मूल्यांकन किया गया। इसके अलावा, नेटवर्क से मापी गई जानकारी (जैसे दक्षता, वर्गीकरण, समानता, आदि) को विभिन्न एसडब्ल्यूएम क्षेत्रों से निकाला गया था।

2.3. वर्गीकरण के तरीके

हमने आरओआई, ट्रैक्टोग्राफी, कनेक्टिविटी, और नेटवर्क विधियों (यानी, एफए, एमडी, आरडी, एक्सडी, और क्यूए, क्यूए, आईएसओ, आरडीआई, नेटवर्क मूल्यों और कई कनेक्शनों से पुनर्निर्माण और मापा मापदंडों दोनों के डीटीआई मापदंडों को शामिल किया। मस्तिष्क क्षेत्रों के बीच)। वर्गीकरण के लिए MATLAB सॉफ़्टवेयर में प्रवेश करने के लिए प्रत्येक समूह को CSV फ़ाइलों में परिवर्तित किया गया था। प्रत्येक से निकाली गई सुविधाओं में आरओआई पद्धति की 504 विशेषताएं, ट्रैक्टोग्राफी पद्धति की 576 विशेषताएं और कनेक्टिविटी और नेटवर्क पद्धति की 702 विशेषताएं शामिल थीं। सुविधाओं को छांटने के बाद, 1782 सुविधाओं से प्रत्येक विषय के लिए सुविधाओं के वेक्टर का अनुमान लगाया गया था। एसवीएम वर्गीकरण मॉडल के इनपुट के रूप में फीचर मैट्रिस तैयार करने के लिए, प्रत्येक समूह के लिए विशिष्ट लेबल वाले इंटरग्रुप मैट्रिस (एचसी-एडी, एचसी-एमसीआई, और एमसीआई-एडी) बनाए गए थे।

MATLAB सॉफ़्टवेयर (R2014a) का उपयोग करके सभी मशीन लर्निंग विश्लेषण किए गए थे। चरणों को निम्नलिखित प्रवाह चार्ट में विभाजित किया जा सकता है (जैसा कि चित्र 3 में दिखाया गया है)।

DTI डेटा प्रोसेसिंग, फीचर निष्कर्षण और फीचर वेक्टर निर्माण के बाद, फीचर चयन किया गया था।

2.3.1. फीचर चयन

इस न्यूरोइमेजिंग शोध में प्रति विषय सुविधाओं की संख्या बहुत अधिक थी। इसलिए वर्गीकरण के लिए सबसे प्रासंगिक विशेषताओं (या मापदंडों) की पहचान करने के लिए, हमने एक तेज़ सहसंबंध-आधारित फ़िल्टर (FCBF) पर आधारित एक विधि का उपयोग किया, जो उच्च-आयामी डेटा [19] के लिए एक सुविधा चयन विधि है।

डीटीआई प्रसंस्करण के बाद, फीचर चयन एफसीबीएफ विधियों का उपयोग करके किया जाता है और एसवीएम में बाइनरी वर्गीकरण के लिए उपयोग किया जाता है।

2.3.2. सीखना और वर्गीकरण

सुविधा चयन के बाद, हमने प्रशिक्षण डेटा के लिए एक आंतरिक 5-गुना क्रॉस-सत्यापन किया और तीन समूहों के बीच बाइनरी वर्गीकरण का उपयोग करके एसवीएम एल्गोरिदम लागू किया। क्रॉस-सत्यापन एक मॉडल सत्यापन तकनीक है जिसका उपयोग प्रदर्शन सामान्यीकरण सुनिश्चित करने के लिए किया जाता है; यदि हमारे पास सीमित डेटा है [20] तो यह एक मॉडल का आकलन करने के लिए उपयोग की जाने वाली एक पुन: नमूनाकरण विधि भी है। कुल मिलाकर, हमने रैखिक, द्विघात, घन और गाऊसी गुठली (ठीक, मध्यम, मोटे) का मूल्यांकन किया। रैखिक, द्विघात और गाऊसी गुठली में बेहतर परिणाम के कारण और अध्ययन की जटिलता को कम करने के लिए, हमने इन तीन गुठली के परिणामों की सूचना दी। अंत में, हम प्रत्येक वर्गीकरण में सर्वश्रेष्ठ कर्नेल के लिए रिसीवर ऑपरेटिंग विशेषता (आरओसी) वक्र और वक्र (एयूसी) के तहत क्षेत्र दिखाते हैं (जैसा कि चित्र 4 में दिखाया गया है)।

2.3.3. मूल्यांकन

एक बार एसवीएम एल्गोरिथ्म को प्रशिक्षित करने के बाद, सटीकता, विशिष्टता और संवेदनशीलता सहित परिणाम, जिन्हें निम्नानुसार परिभाषित किया गया है, का उपयोग वर्गीकरण प्रदर्शन का मूल्यांकन करने के लिए किया जाता है।

आम तौर पर इन समीकरणों में, सही सकारात्मक (टीपी) सही ढंग से अनुमानित रोगियों की संख्या को संदर्भित करता है, झूठी सकारात्मक (एफपी) रोगियों के रूप में गलत तरीके से अनुमानित स्वस्थ नियंत्रणों की संख्या को संदर्भित करता है, सही नकारात्मक (टीएन) सही ढंग से अनुमानित स्वस्थ नियंत्रणों की संख्या को संदर्भित करता है , और झूठी नकारात्मक (एफएन) उन रोगियों की संख्या को संदर्भित करता है जिन्हें गलत तरीके से स्वस्थ [21] के रूप में अनुमानित किया गया है।

3. परिणाम

3.1. जनसांख्यिकीय और नैदानिक ​​​​विशेषताएं

जनसांख्यिकी और प्रतिभागियों के नैदानिक ​​स्कोर तालिका 1 में दिखाए गए हैं। उम्र और लिंग के संबंध में तीन समूहों के बीच कोई महत्वपूर्ण अंतर (पी> 0.05) नहीं थे (तालिका 1 देखें)। मिनी-मानसिक स्थिति परीक्षा (एमएमएसई), ग्लोबल क्लिनिकल डिमेंशिया रेटिंग (सीडीआर), और कार्यात्मक गतिविधि प्रश्नावली (एफएक्यू) स्कोर तीन समूहों के बीच महत्वपूर्ण रूप से भिन्न थे। SPSS 24 का उपयोग करके मूलभूत जानकारी का सांख्यिकीय विश्लेषण किया गया।

3.2. सतही सफेद पदार्थ की चयनात्मक विशेषताएं

फीचर चयन की एफसीबीएफ पद्धति में एमसीआई और एचसी के वर्गीकरण के लिए 8 विशेषताएं, एडी और एचसी के वर्गीकरण के लिए 25 विशेषताएं, और एडी और एमसीआई के वर्गीकरण के लिए 17 विशेषताएं दिखाई गईं (तालिका 2)। चित्रा 5 डीटीआई के विभिन्न तरीकों की चुनिंदा विशेषताओं की संख्या को दर्शाता है।

3.3. वर्गीकरण प्रदर्शन

इस अध्ययन के परिणामों के रूप में माध्य सटीकता, संवेदनशीलता और विशिष्टता की सूचना दी गई थी। SVM का रैखिक कर्नेल 95.8 प्रतिशत की सटीकता, 95.8 प्रतिशत की संवेदनशीलता और AD और HC समूहों के बीच 95.8 प्रतिशत की विशिष्टता के साथ सबसे अच्छा क्लासिफायरियर था, इसके बाद 83.3 प्रतिशत की सटीकता के साथ SVM का द्विघात कर्नेल था। 94.4 प्रतिशत की संवेदनशीलता, और एमसीआई और एचसी समूहों और एसवीएम के गाऊसी कर्नेल के बीच 83.3 प्रतिशत की सटीकता के साथ 76.6 प्रतिशत की विशिष्टता, 80.7 प्रतिशत की संवेदनशीलता और 86.3 प्रतिशत की विशिष्टता के बीच AD और MCI समूह) जैसा कि तालिका 1 में दिखाया गया है)। चित्र 6 तीन गुठली के बीच तुलना दिखाता है और किसी भी जोड़ी वर्गीकरण में सबसे अच्छा कर्नेल पाता है (तालिका 3 देखें)।

4। चर्चा

DTI डेटा का विश्लेषण करने के लिए विभिन्न तरीके हैं, और प्रत्येक विधि की अपनी ताकत और कमजोरियां हैं। इस अध्ययन में, हमने सतही सफेद पदार्थ [22] की विशेषताओं को प्राप्त करने के लिए आरओआई, ट्रैक्टोग्राफी, कनेक्टिविटी और नेटवर्क विश्लेषण नामक तीन तरीकों का इस्तेमाल किया।

सतही सफेद पदार्थ उन क्षेत्रों में से एक है जो रेट्रोजेनेसिस मॉडल [23] के अनुसार कई बीमारियों के प्रति अत्यधिक संवेदनशील पाया गया है। इसी कारण इस अध्ययन में इस क्षेत्र का अध्ययन किया गया है।

AD और MCI वाले व्यक्तियों और स्वस्थ व्यक्तियों के बीच अंतर करने के लिए कई अध्ययन किए गए हैं और कई शोधकर्ता इन तीन समूहों को अलग करने के तरीके खोजने में रुचि रखते हैं। वर्तमान अध्ययन में, हमने AD और MCI के साथ विषयों को वर्गीकृत करने के लिए एक स्वचालित पद्धति लागू की, और HC विषयों को SWM में DTI सुविधाओं के आधार पर वर्गीकृत किया।

यह ध्यान रखना महत्वपूर्ण है कि एसडब्ल्यूएम की फाइबर वास्तुकला ("क्रॉसिंग फाइबर" नामक कई फाइबर आबादी वाले) गहरे सफेद पदार्थ (चित्रा 7) की तुलना में अधिक जटिल क्रम दिखाती है। इस कारण से, क्यूएसडीआर पुनर्निर्माण तकनीक का उपयोग करना आवश्यक लगता है, क्योंकि मॉडल-आधारित विधियों [24] की तुलना में मॉडल-मुक्त तरीके कई फाइबर आबादी वाले स्वरों में अधिक सटीक होते हैं। इस उद्देश्य के लिए, हमने DTI पुनर्निर्माण तकनीक के साथ QSDR तकनीक का उपयोग किया।

विभिन्न विज्ञानों में बुद्धिमान प्रणालियों के विकास के कारण, तीन समूहों के बीच जोड़ी वर्गीकरण के लिए एक मशीन लर्निंग सिस्टम विकसित किया गया था। हमारी जानकारी के अनुसार, SWM में DTI तकनीकों की विशेषताओं की पहचान करने के लिए सपोर्ट वेक्टर मशीन का उपयोग करने वाला यह पहला अध्ययन है।

नियंत्रण बनाम एमसीआई वर्गीकरण से हमारे परिणामों से पता चला है कि 83.3 प्रतिशत की सटीकता के साथ, द्विघात कर्नेल इस वर्गीकरण के लिए सबसे अच्छा कर्नेल था। एडी रोगियों और बुजुर्ग नियंत्रणों के बीच भेदभाव ने रैखिक कर्नेल द्वारा 95.8 प्रतिशत सटीकता दिखाई। चयनित सुविधाओं में कनेक्टिविटी मापदंडों ने बहुत महत्व दिखाया। इन कनेक्शनों का एक उदाहरण चित्र 8 में दिखाया गया है।

आम तौर पर, मस्तिष्क नेटवर्क सुविधाओं की जांच से शोधकर्ताओं को AD और MCI सहित अधिकांश न्यूरोडीजेनेरेटिव रोगों के बारे में जानकारी मिल सकती है। हाल ही में, अल्जाइमर रोग में नेटवर्क गुणों के अध्ययन ने कई शोधकर्ताओं का ध्यान आकर्षित किया है। इन शोधकर्ताओं में डायानु एट अल हैं। [25], एसईओ एट अल। [26], जलीली एट अल। [27], शेंग एट अल। [28], और सुलेमान एट अल। [29]. उनका मानना ​​​​है कि मस्तिष्क नेटवर्क कनेक्टिविटी विश्लेषण अल्जाइमर रोग में तंत्रिका मार्ग कैसे टूटते हैं, इसकी एक महत्वपूर्ण समझ प्रदान करता है। उदाहरण के लिए, जैसा कि योंगक्सिया झोउ एट अल के अध्ययन में बताया गया है, मस्तिष्क प्रांतस्था में छोटे-विश्व नेटवर्क की विशेषता अल्जाइमर रोगियों और एमसीआई रोगियों के बीच अंतर करने में सक्षम थी। इस अध्ययन में, छोटे-विश्व नेटवर्क, सतही सफेद पदार्थ में चुनिंदा विशेषताओं में से एक के रूप में, एडी को एमसीआई से अलग करने की क्षमता दिखाई गई, और इसका उपयोग स्मृति और संज्ञानात्मक कार्यों की गिरावट को समझाने के लिए किया जा सकता है,

पिछले अध्ययनों का निष्कर्ष है कि AD रोगियों [30, 31, 32] में छोटे-विश्व नेटवर्क विशेषताओं के नुकसान को बदल दिया जाता है।

साथ ही, पेजरैंक माप मस्तिष्क क्षेत्रों को अधिक संख्या में बाहरी लिंक के साथ उजागर कर सकता है [33]। हमारे अध्ययन में, ललाट और पार्श्विका क्षेत्रों में पेजरैंक एडी निदान के लिए शीर्ष पहचानी गई विशेषताओं में से एक था और यह मस्तिष्क में अधिक महत्वपूर्ण भूमिका निभा सकता है।

अध्ययन के सबसे महत्वपूर्ण निष्कर्षों में से एक एमसीआई से एडी के अलगाव में बाएं पार्श्विका लोब पथ की लंबाई और संख्या है। देसिकन एट अल के अध्ययन ने एमसीआई से एडी [34] तक प्रगति के भविष्यवक्ता के रूप में पार्श्विका लोब की चोट के महत्व का उल्लेख किया। इस अध्ययन के ट्रैक्टोग्राफी परिणाम एसडब्ल्यूएम क्षेत्र में पिछले अध्ययन के निष्कर्ष की पुष्टि कर सकते हैं। क्योंकि एमसीआई में नियंत्रण की तुलना में एडी विकसित होने का अधिक जोखिम होता है, पार्श्विका लोब की जांच एक सहायक संकेतक हो सकती है।

इसके अलावा, एडी बनाम एमसीआई तुलनाओं में ट्रैक्टोग्राफी के निष्कर्षों को जोड़ते हुए, एडी में अस्थायी और पार्श्विका लोब और लिम्बिक और ओसीसीपिटल लोब के बीच कनेक्टिविटी में व्यवधान देखा गया था। दूसरे शब्दों में, इन दो रोगों को अलग करने में टेम्पोरोपैरिएटल में शॉर्ट-रेंज फाइबर कनेक्शन एक आवश्यक खोज हो सकता है। टेम्पोरोपेरिएटल उच्च-स्तरीय मानव तंत्रिका कार्यों [35] में एक महत्वपूर्ण भूमिका निभाता है जो अल्जाइमर रोग में क्षतिग्रस्त हो सकता है। देसीकन एट अल। [34] ई. में इस क्षेत्र के शोष की जांच की। एक नई तकनीक के साथ इस अध्ययन के निष्कर्ष और DTI पद्धति की विशेषताओं का उपयोग करके MCI को AD से अलग करने में प्रभावी हो सकता है। एक कार्यात्मक चुंबकीय अनुनाद इमेजिंग (एफएमआरआई) अध्ययन से पता चला है कि इंसुला मानव मस्तिष्क नेटवर्क का प्रमुख क्षेत्र है और एडी का सबसे कमजोर क्षेत्र है [36]; वर्तमान अध्ययन सतही सफेद पदार्थ में इन परिणामों की पुष्टि कर सकता है क्योंकि इन्सुला की विशेषताएं जैसे कनेक्टिविटी, आईएसओ, टीजेड, और टीएक्सवाई अल्जाइमर रोगियों की चयनित और मुख्य विशेषताओं में से हैं।

अधिकांश अध्ययनों ने बताया है कि AD और MCI समूहों के बीच DTI मान बदलते हैं। AD और MCI के बीच इस अध्ययन में वर्गीकरण सटीकता गॉसियन कर्नेल द्वारा 83.3 प्रतिशत थी, जो इस वर्गीकरण के लिए सबसे अच्छा कर्नेल था।

भविष्य के अनुसंधान के लिए एक सुझाव के रूप में, बहुविध अध्ययन में अन्य तौर-तरीकों और बायोमार्करों को शामिल करना दिलचस्प होगा जैसे कि एफएमआरआई और इलेक्ट्रोएन्सेफलोग्राम (ईईजी), पॉज़िट्रॉन एमिशन टोमोग्राफी (पीईटी), और डीटीआई डेटा के साथ सीएसएफ प्रोटीन डेटा और यह भी एक हो सकता है हमारे भविष्य के लक्ष्य।

5। उपसंहार

अंत में, हमने AD और MCI और स्वस्थ नियंत्रण वाले रोगियों के बीच स्वचालित रूप से भेदभाव करने के लिए एक विधि का प्रदर्शन किया। इस अध्ययन में, हमने दिखाया कि AD या MCI को DTI के माध्यम से SWM क्षेत्र सुविधाओं का उपयोग करके HC से अलग किया जा सकता है। इस प्रकार, आरओआई, ट्रैक्टोग्राफी, और कनेक्टिविटी और नेटवर्क विधियों से प्राप्त विशेषताएं एडी और एमसीआई के निदान में सहायता कर सकती हैं। अंत में, यह अध्ययन इन क्षेत्रों में अन्य स्वचालित वर्गीकरण विधियों के मूल्यांकन के लिए एक पृष्ठभूमि प्रदान करता है।

5.1. सीमाओं

मशीन लर्निंग में नमूना आकार एक महत्वपूर्ण कारक है जो मॉडल के प्रदर्शन को प्रभावित करता है। अध्ययन सीमा शामिल विषयों का छोटा नमूना आकार है।

संदर्भ
[1] एम. लिलिया, एस. मेरी, एच.-बी. वैलेरी, डी। ब्रूनो, जी। पैट्रिक, के। सर्ज, डीटीआई और अल्जाइमर रोग में संरचनात्मक एमआरआई वर्गीकरण, एड। मोल। छवि 2012 (2012)।
[2] एसए एशकूर, टीए हामिद, सीवाई मुन, सीके एनजी, हल्के संज्ञानात्मक हानि और वृद्ध लोगों में इसका प्रबंधन, क्लिन। अंतराल। एजिंग 10 (2015) 687-693।
[3] या फिलिप्स, एसएच जोशी, एफ। पिरास, एमडी ओरफेई, एम। इओरियो, केएल नार, एट अल।, अल्जाइमर रोग में सतही सफेद पदार्थ, हम। ब्रेन मैप। 37 (4) (2016) 1321-1334।
[4] डब्ल्यू। रेजिनोल्ड, एसी लुएडके, जे। इटोर्राल्बा, जे। फर्नांडीज-रुइज़, ओ। इस्लाम, ए। गार्सिया, अल्जाइमर रोग में ट्रैक्टोग्राफी एमआरआई पर बदल सतही सफेद पदार्थ, डिमेंशिया गेरियाट्र। ज्ञानी। विकार। अतिरिक्त 6 (2) (2016) 233-241।
[5] जे. गुओ, बी. ली, विकासशील देशों के ग्रामीण क्षेत्रों में चिकित्सा कृत्रिम बुद्धिमत्ता प्रौद्योगिकी का अनुप्रयोग, स्वास्थ्य इक्विटी 2 (1) (2018) 174-181।
[6] केडी डेविस, एच। फ्लोर, एचटी ग्रीली, जीडी इन्नेट्टी, एस। मैके, एम। प्लोनर, एट अल।, पुराने दर्द के लिए मस्तिष्क इमेजिंग परीक्षण: चिकित्सा, कानूनी और नैतिक मुद्दे और सिफारिशें, नेट। रेव। न्यूरोल। 13 (2017) 624।
[7] एम. डायबा, एम. इवर्स, एम. वेग्रज़िन, आई. किलिमन, सी. प्लांट, ए. ओसवाल्ड, एट अल।, एक बड़े यूरोपीय बहुकेंद्रीय डेटासेट का उपयोग करके अल्जाइमर रोग की स्वचालित पहचान के लिए डीटीआई और एमआरआई का संयोजन, में मल्टीमॉडल ब्रेन इमेज एनालिसिस पर इंटरनेशनल वर्कशॉप, स्प्रिंगर, 2012, पीपी। 18-28।
[8] जेड जिन, वाई। बाओ, वाई। वांग, जेड ली, एक्स। झेंग, एस। लॉन्ग, एट अल।, सामान्यीकृत क्यू-सैंपलिंग इमेजिंग और डिफ्यूजन टेंसर इमेजिंग के बीच अंतर तंत्रिका तंतुओं को पार करने के दृश्य में मस्तिष्क, सर्जन। रेडिओल। अनात। 41 (9) (2019) 1019-1028।
[9] एसवाई लिम, वाई.-एस. टायन, वाई.-पी। चाओ, एफ.-वाई। निएन, जे.-सी. वेंग, डिफ्यूजन टेंसर ट्रैक्टोग्राफी और सामान्यीकृत नमूना एमआरआई, पीएलओएस वन 10 (3) (2015) का उपयोग करके विकासशील खरगोश मस्तिष्क में नई अंतर्दृष्टि।
[10] एफसी ये, एल लियू, टीके हिचेन्स, वाईएल वू, प्रतिबंधित प्रसार एमआरआई का उपयोग करके प्रतिरक्षा सेल घुसपैठ का मानचित्रण, मैग्न। रेजोन। मेड. 77 (2) (2017) 603–612।
[11] जी. प्रसाद, टीएम नीर, एडब्ल्यू टोगा, पीएम थॉम्पसन, ट्रैक्टोग्राफी घनत्व और अल्जाइमर रोग में नेटवर्क उपाय, इन: 2013 आईईईई 10वीं बायोमेडिकल इमेजिंग पर अंतर्राष्ट्रीय संगोष्ठी, आईईईई, 2013, पीपी 692-695।
[12] ए। महीच, एफ। वेंडलिंग, एम। हसन, ब्रेन नेटवर्क समानता: तरीके और अनुप्रयोग, 2019 arXiv प्रीप्रिंट arXiv:190810592।
[13] ओ. स्पोर्न्स, ग्राफ थ्योरी मेथड्स: एप्लिकेशंस इन ब्रेन नेटवर्क्स, डायलॉग्स क्लिन। तंत्रिका विज्ञान। 20 (2) (2018) 111.
[14] ओ. स्पोर्न्स, जेडी ज़्वी, सेरेब्रल कॉर्टेक्स की छोटी दुनिया, न्यूरोइनफॉरमैटिक्स 2 (2) (2004) 145-162। [15] ए. नाज़ेरी, एम.एम. चक्रवर्ती, टी.के. राजजी, डी. फेल्स्की, डीजे रोटेनबर्ग, एम. मेसन, एट अल।,
उम्र से संबंधित संज्ञानात्मक गिरावट के एक उपन्यास सब्सट्रेट के रूप में सतही सफेद पदार्थ, न्यूरोबिओल। बुढ़ापा 36 (6) (2015) 2094-2106।
[16] ए। नाज़ेरी, एमएम चक्रवर्ती, डी। फेल्स्की, एनजे लोबॉघ, टीके राजजी, बीएच मुल्सेंट, एट अल।, सिज़ोफ्रेनिया में सतही सफेद पदार्थ का परिवर्तन और संज्ञानात्मक प्रदर्शन के संबंध, न्यूरोसाइकोफार्माकोलॉजी: ऑफ। प्रकाशन पूर्वाह्न। कॉलेज न्यूरोसाइकोफार्माकोल। 38 (10) (2013) 1954।
[17] जीसी रिबास, द सेरेब्रल सल्सी और ग्यारी, न्यूरोसर्ज। फोकस 28 (2) (2010) E2. [18] जे. तलैराच, सह-प्लानर स्टीरियोटैक्सिक एटलस ऑफ़ द ह्यूमन ब्रेन-3-आयामी आनुपातिक प्रणाली। सेरेब्रल इमेजिंग के लिए एक दृष्टिकोण, 1988।
[19] एल. यू, एच. लियू, फीचर सेलेक्शन फॉर हाई-डायमेंशनल डेटा: ए फास्ट कोरिलेशन-बेस्ड फिल्टर सॉल्यूशन, प्रोसीडिंग्स ऑफ द 20वें इंटरनेशनल कॉन्फ्रेंस ऑन मशीन लर्निंग (आईसीएमएल-03), 2003, पीपी। 856–863।
[20] मेगावाट ब्राउन, क्रॉस-वेलिडेशन मेथड्स, जे. मैथ। साइकोल। 44 (1) (2000) 108-132।

[21] डब्ल्यू। झू, एन। ज़ेंग, एन। वांग, संवेदनशीलता, विशिष्टता, सटीकता, संबद्ध आत्मविश्वास अंतराल और व्यावहारिक एसएएस कार्यान्वयन के साथ आरओसी विश्लेषण, एनईएसयूजी प्रोसीड: हेल्थ लाइफ साइंस। (बाल्टीमोर, मैरीलैंड) 19 (2010) 67.
[22] डब्ल्यू। वैन हेके, एल। एम्सेल, एस। सुनार्ट, डिफ्यूजन टेन्सर इमेजिंग: ए प्रैक्टिकल हैंडबुक, स्प्रिंगर, 2015।

[23] बी. बीघम, एस.ए. ज़मानपुर, एफ. ज़ेमोर्शिडी, एफ. बोरौमंद, एच. ज़ारे, अल्जाइमर रोग न्यूरोइमेजिंग इनिशिएटिव। अल्जाइमर रोग में सतही सफेद पदार्थ असामान्यताओं की पहचान और प्रसार टेंसर इमेजिंग का उपयोग करके हल्के संज्ञानात्मक हानि, जे। अल्जाइमर डिस। प्रतिनिधि 4 (1) (2020) 49-59।
[24] एच। झांग, वाई। वांग, टी। लू, बी। किउ, वाई। तांग, एस। ओयू, एट अल।, तंत्रिका फाइबर के प्रीऑपरेटिव विज़ुअलाइज़ेशन में सामान्यीकृत क्यू-सैंपलिंग इमेजिंग और डिफ्यूजन टेंसर इमेजिंग के बीच अंतर। मस्तिष्क में पेरिटुमोरल एडिमा के भीतर पथ, न्यूरोसर्जरी 73 (6) (2013) 1044-1053।
[25] एम. डियानु, ईएल डेनिस, एन. जहांशाद, टीएम नीर, एडब्ल्यू टोगा, सीआर जैक, एट अल।, अल्जाइमर रोग मस्तिष्क कनेक्टिविटी नेटवर्क में समृद्ध क्लब संगठन को बाधित करता है, 2013 में आईईईई 10वीं बायोमेडिकल इमेजिंग पर अंतर्राष्ट्रीय संगोष्ठी, आईईईई , 2013, पीपी 266-269।
[26] ईएच एसईओ, डीवाई ली, जे.-एम। ली, जे.-एस. पार्क, बीके सोहन, डीएस ली, एट अल।, संज्ञानात्मक रूप से सामान्य, हल्के संज्ञानात्मक हानि, और अल्जाइमर रोग, पीएलओएस वन 8 (1) (2013) में पूरे मस्तिष्क के कार्यात्मक नेटवर्क।
[27] एम. जलीली, अल्जाइमर रोग का ग्राफ सैद्धांतिक विश्लेषण: स्वस्थ विषयों से एडी रोगियों का भेदभाव, इंफ। विज्ञान 384 (2017) 145-156।
[28] जे. शेंग, बी. वांग, क्यू. झांग, आर. झोउ, एल. वांग, वाई. शिन, ऑर्डर की गई मुख्य विशेषताओं और मशीन लर्निंग का उपयोग करके अल्जाइमर रोग की ओर विभिन्न चरणों की पहचान और लक्षण वर्णन, हेलियन (2021), ई07287।
[29] एस. सुलेमानी, एम. खानसारी, पी. जरीनेह, एम. दियानु, एन. जहांशाद, पीएम थॉम्पसन, एट अल।, लिंक भविष्यवाणी एल्गोरिदम के साथ अल्जाइमर रोग में मस्तिष्क नेटवर्क परिवर्तन की भविष्यवाणी करना, मोल। बायोसिस्ट। 13 (4) (2017) 725–735।
[30] जेड याओ, वाई। झांग, एल। लिन, वाई। झोउ, सी। जू, टी। जियांग, एट अल।, हल्के संज्ञानात्मक हानि और अल्जाइमर रोग में असामान्य कॉर्टिकल नेटवर्क, पीएलओएस कम्प्यूट। बायोल। 6 (11) (2010)।
[31] वाई। हे, जेड। चेन, ए। इवांस, अल्जाइमर रोग में बड़े पैमाने पर कॉर्टिकल नेटवर्क के असामान्य टोपोलॉजिकल पैटर्न में संरचनात्मक अंतर्दृष्टि, जे। न्यूरोसी। 28 (18) (2008) 4756-4766।
[32] वाई। हे, जेड। चेन, जी। गोंग, ए। इवांस, अल्जाइमर रोग में न्यूरोनल नेटवर्क, न्यूरोसाइंटिस्ट 15 (4 (2009) 333-350।
[33] ए। एबादी, जेएल डालबोनी दा रोचा, डीबी नागराजू, एफ। तोवर-मोल, आई। ब्रामती, जी। कॉटिन्हो, एट अल।, डिफ्यूजन टेंसर से जटिल ग्राफ उपायों के आधार पर अल्जाइमर रोग और हल्के संज्ञानात्मक हानि का संयोजन वर्गीकरण। छवियां, सामने। तंत्रिका विज्ञान। 11 (2017) 56.
[34] आरएस देसिकन, एचजे कैब्रल, बी। फिशल, सीआर गुट्टमैन, डी। ब्लैकर, बीटी हाइमन, एट अल।, हल्के संज्ञानात्मक हानि वाले विषयों में शोष के अस्थायी एमआर इमेजिंग उपाय जो अल्जाइमर रोग के बाद के निदान की भविष्यवाणी करते हैं, एम। जे. न्यूरोरेडियोल। 30 (3) (2009) 532-538।
[35] वाई। वू, डी। सन, वाई। वांग, वाई। वांग, वाई। वांग, प्रसार स्पेक्ट्रम इमेजिंग और फाइबर विच्छेदन, ब्रेन रेस का उपयोग कर मानव मस्तिष्क में अस्थायी-पश्चकपाल क्षेत्र के छोटे कनेक्शन का पता लगाना। 1646 (2016) 152-159।
[36] एक्स। लियू, एक्स। चेन, डब्ल्यू। झेंग, एम। ज़िया, वाई। हान, एच। सोंग, एट अल।, अल्ज़ाइमर रोग, फ्रंट में द्वीपीय उपक्षेत्रों की परिवर्तित कार्यात्मक कनेक्टिविटी। बुढ़ापा तंत्रिका विज्ञान। 10 (2018) 107।