Erstellung und Evaluation von Machine- und Deep Learning Algorithmen zur Differenzierung von progressiver supranukleärer Blickparese, Parkinsonkrankheit und gesunden Kontrollen anhand spezifischer Strukturen in der MRT-Bildgebung

Abstract

Die Progressive supranukleäre Blickparese (PSP; engl. progressive supranuclear palsy) ist eine komplexe neurodegenerative Erkrankung. Bei Erstvorstellung wird nur etwa ein Drittel der Patientinnen und Patienten korrekt diagnostiziert; zudem wird PSP häufig mit der Parkinson-Krankheit verwechselt. In den MDS-Diagnosekriterien von 2017 wurden daher MRT-basierte Veränderungen als supportive Kriterien aufgenommen. Dennoch besteht weiterhin ein hoher Bedarf an bildgebenden Biomarkern. In dieser Dissertation wurde ein großer Datensatz aus DTI- und teilweise T1-gewichteten MRT-Daten ausgewertet, mit dem Ziel, PSP mithilfe von KI-Algorithmen von gesunden Kontrollen und von Patientinnen und Patienten mit Parkinson-Krankheit zu unterscheiden. Hierzu wurden Verfahren des maschinellen Lernens und Deep-Learning-Modelle miteinander verglichen. Zusätzlich wurde untersucht, ob die Klassifikationskonfidenz mit dem klinischen Schweregrad der PSP (Golbe-Stadien) assoziiert ist. Die Studie umfasst 144 PSP-Patientinnen und -Patienten, 107 gesunde Kontrollen sowie 66 Patientinnen und Patienten mit Parkinson-Krankheit. Insgesamt wurden 48 Strukturen definiert und in einem multiparametrischen Datensatz zusammengeführt. Die Modelle wurden in einem Trainings-/Validierungsverhältnis von 80/20 trainiert und evaluiert. Für die Differenzierung von PSP und Kontrollen erzielten sowohl klassische Machine-Learning-Modelle als auch Deep-Learning-Modelle eine Genauigkeit von bis zu 0,95. Die wichtigsten Prädiktoren waren das Corpus-callosum-Areal II und die Substantia nigra. Die Unterscheidung zwischen PSP und Parkinson-Krankheit gelang hingegen nur mit einem neuronalen Netzwerk mit einer Genauigkeit von 0,86; hierbei zeigte sich die präfrontale weiße Substanz als wichtigste Struktur. Zusammenfassend stellt ein Random-Forest-Algorithmus ein geeignetes Verfahren zur Differenzierung von PSP und Kontrollen dar; als einziges Modell zeigte er zudem eine steigende Klassifikationskonfidenz mit zunehmender klinischer Progression der PSP. Für die Differenzierung zwischen PSP und Parkinson-Krankheit war ein neuronales Netzwerk das einzige Modell, das eine Klassifikation mit ausreichend hoher Genauigkeit ermöglichte.