SUBJECT-SPECIFIEKE GRAAFMATEN OP BASIS VAN FUNCTIONELE MRI IN RUSTTOESTAND ALS POTENTIËLE BIOMARKERS VOOR DE ZIEKTE VAN ALZHEIMER

De hersenen zijn een van de meest complexe systemen. Om de hersenen te begrijpen, moeten we begrijpen hoe de hersenen werken, in termen van hoe hersengebieden effectief op elkaar inwerken en hoe deze zijn georganiseerd om informatie te verwerken. Daarom is het belangrijk om de hersenen als een netwerk te begrijpen. Om de prestaties van hersennetwerken te kwantificeren is graaftheorie een zeer geschikte methode. Er is voorgesteld dat graafmaten van functionele netwerken op basis van rs-fMRI kunnen worden gebruikt als biomerker van hersenziektes voor toekomstig klinisch gebruik. Een biomerker voor klinisch gebruik moet verschillende eigenschappen hebben. Deze omvatten voornamelijk goede reproduceerbaarheid, lage test-hertestvariabiliteit, gemakkelijk te meten, bij voorkeur niet-invasief, het vermogen om een onderscheid te maken tussen ziekte en normaal, en het kunnen volgen of voorspellen van progressie op individueel niveau. Vervolgens onderzoeken we, om te beantwoorden "Kunnen subject-specifieke graafmaten op basis van fMRI in rusttoestand worden gebruikt als potentiële biomerkers voor hersenziekte", deze eigenschappen van subject-specifieke graafmaten afgeleid van rs-fMRI als een potentiële biomerker voor de diagnose van de ziekte van Alzheimer (AD).

We zijn begonnen met het onderzoeken van de technische factoren (verwerkingsmethoden en keuzes van netwerkconstructie) die van invloed zijn op de reproduceerbaarheid van graafmaten afgeleid van rs-fMRI bij gezonde jonge volwassenen. De reproduceerbaarheid/test-hertestvariabiliteit van subject-specifieke graafmaten werd gekwantificeerd. Vervolgens zijn we overgegaan op de biologisch georiënteerde factoren (psychologische eigenschappen en geslacht) die samenhangen met de reproduceerbaarheid van graafmaten. De volgende stap was het onderzoeken van de prestaties van subject-specifieke graafmaten die zijn afgeleid van fMRI in rusttoestand bij AD en het uitgebreid evalueren of ze kunnen worden gebruikt als biomerker voor AD-diagnose voor toekomstig klinisch gebruik. Deze stap werd gecombineerd met een support vector machine-benadering. Ten slotte werd een nieuwe techniek voor modulariteitsanalyse van hersennetwerken, edge-based modulariteit, gecombineerd met een machine learning-techniek gebruikt om patiënten in het AD-continuüm te classificeren.

Concluderend, subject-specifieke genormaliseerde graafmaten gebaseerd op rs-fMRI via een gewogen netwerk waarbij de gewichten gebaseerd zijn op de absolute (partiële) correlaties vertoonden een goede reproduceerbaarheid, vooral globale graafmaten. Ze toonden potentieel als biomerkers voor de diagnose van AD, maar er is nog steeds verder onderzoek nodig alvorens ze in de klinische praktijk kunnen worden gebruikt.