Onderzoek naar de classificatieaccuratesse van Alzheimer is belangrijk om de ziekte in de toekomst beter te kunnen behandelen. In deze scriptie werden twee structurele MRI-maten geëvalueerd: grijze...Show moreOnderzoek naar de classificatieaccuratesse van Alzheimer is belangrijk om de ziekte in de toekomst beter te kunnen behandelen. In deze scriptie werden twee structurele MRI-maten geëvalueerd: grijze stofdichtheid (48 predictoren) en subcorticale volumes (14 predictoren). Deze scriptie onderzocht wat de toegevoegde waarde van subcorticale volumes bovenop grijze stofdichtheid is. Hierbij werd verwacht dat I) grijze stofdichtheid accurater was voor de classificatie van Alzheimer dan subcorticale volumes, maar dat II) subcorticale volumes nog wel iets zouden toevoegen aan grijze stofdichtheid. Om dit te onderzoeken, is data gebruikt van 249 participanten afkomstig uit twee verschillende studies. 76 participanten hadden de diagnose Alzheimer en de overige 173 participanten waren cognitief gezonde ouderen. Er zijn drie modellen gebruikt: een model van grijze stofdichtheid (48 predictoren), een model van subcorticale volumes (14 predictoren) en een combinatiemodel van grijze stofdichtheid en subcorticale volumes (62 predictoren). Voor alle modellen is een logistische regressieanalyse met geneste kruisvalidatie uitgevoerd. Het model van grijze stofdichtheid had een AUC-waarde van 0.897 en een MGA-waarde van 0.822. Het model van subcorticale volumes had een AUC-waarde van 0.807 en een MGA-waarde van 0.769. Het gecombineerde model had een AUCwaarde van 0.897 en een MGA-waarde van 0.841. De eerste hypothese werd bevestigd, aangezien grijze stofdichtheid belangrijker was voor de classificatieaccuratesse dan subcorticale volumes. De tweede hypothese kon niet worden bevestigd, aangezien subcorticale volumes weinig tot niets lijken toe te voegen aan grijze stofdichtheid voor de classificatieaccuratesse van Alzheimer. Deze kennis kan gebruikt worden om toekomstige classificatiemodellen van Alzheimer te verbeteren.Show less
Achtergrond: Anatomische MRI blijkt een goede voorspeller te zijn van Alzheimer, het is echter nog niet heel duidelijk wat de rol van functionele MRI (fMRI) in Alzheimer classificatie is en of dit...Show moreAchtergrond: Anatomische MRI blijkt een goede voorspeller te zijn van Alzheimer, het is echter nog niet heel duidelijk wat de rol van functionele MRI (fMRI) in Alzheimer classificatie is en of dit een toevoeging op anatomische MRI kan zijn. Doel: In dit onderzoek wordt onderzocht of fMRI van toegevoegde waarde is op anatomische MRI in het classificeren van Alzheimer. Methode: Om dit te kunnen onderzoeken worden er 3 classificatiemodellen met elkaar vergeleken, namelijk een model met alleen anatomische MRI-predictoren bestaande uit de grijze stofdichtheid en subcorticale volumes en een model met alleen fMRI-predictoren bestaande uit de functionele connectiviteit tussen 20 hersengebieden; en ten slotte een multimodaal model met zowel de anatomische als fMRI-predictoren. Om de meest relevante predictoren in de modellen te selecteren wordt er een LASSO algoritme toegepast. Daarnaast wordt er kruisvalidatie toegepast om de modellen te kunnen generaliseren. Om de prestatie van de modellen te evalueren worden de AUC-waardes van de modellen vergeleken. Resultaten: Het model dat alleen gebruikmaakt van anatomische MRI-predictoren kan Alzheimer accuraat classificeren met een AUC-waarde van 0.92. Het model dat alleen fMRIpredictoren gebruikt kan Alzheimer redelijk goed classificeren, maar niet beter dan model 1, met een AUC-waarde van 0.74. Het multimodale model classificeert Alzheimer het beste met een AUC-waarde van 0.93. Conclusie: Een multimodaal classificatiemodel bestaande uit anatomische MRI en fMRI presteert beter dan een model met alleen één van deze modaliteiten. Dit is echter een kleine verbetering ten opzichte van de anatomische MRI alleen, en het is niet duidelijk of dit klinisch relevant kan zijn.Show less
Uit onderzoek is gebleken dat de functionele-connectiviteitafwijkingen, aantoonbaar met FMRI-scans, mogelijk eerder zichtbaar zijn dan hersenatrofie en cognitieve achteruitgang bij mensen lijdend...Show moreUit onderzoek is gebleken dat de functionele-connectiviteitafwijkingen, aantoonbaar met FMRI-scans, mogelijk eerder zichtbaar zijn dan hersenatrofie en cognitieve achteruitgang bij mensen lijdend aan de Ziekte van Alzheimer (ZVA). FMRI-scans zouden een toevoeging kunnen zijn op het gebruik van structurele MRI-scans bij het classificeren van de ZVA, specifiek in een vroeg stadium van de ziekte. We hebben dit onderzocht door gebruik te maken van structurele en functionele MRI-scans van 77 mensen met ZVA (MMSE= 20,4 ± 4,5) en 173 cognitief normale ouderen (MMSE= 27,5 ± 1,8). De groep met de ZVA is door middel van een mediaansplit op de MMSE-score gesplitst: participanten met een MMSE-score > 21 zijn geclassificeerd als ZVA-patiënten in een vroeg stadium en participanten met een MMSE-score < 21 zijn geclassificeerd als ZVA-patiënten in een later stadium. De volgende structurele MRI-predicatoren zijn gebruikt: subcorticale volumes, corticale dikte, en grijze-stofdichtheid. De functionele MRI-predicatoren waren: functionele-connectiviteitmatrices en de dynamiek van de functionele-connectiviteitmatrices. De structurele en functionele MRI-predicatoren zijn gescheiden van elkaar en gecombineerd gebruikt in een logistische regressie met een LASSO-penalty. Uiteindelijk werden er verschillende modellen ontwikkeld: een model uitsluitend gebaseerd op structurele MRI-maten, een model gebaseerd op enkel FMRI-maten en een gecombineerd model. Deze modellen zijn vervolgens gebruikt om de waarschijnlijkheid te berekenen dat de deelnemers tot één van de volgende groepen behoorden: ZVA, ZVA in een vroeg stadium, ZVA in een laat stadium, of de controlegroep. Er zijn Receiver Operating Curve plots (ROC) gemaakt en de Area Under the Curve (AUC) zijn berekend om de classificatieprestaties van de modellen te evalueren. Uiteindelijk presteerde het model gebaseerd op structurele MRI-maten het best met een AUC variërend van 0,91 tot 0,98. Het gecombineerde model bestaande uit zowel structurele als functionele MRI-maten behaalde aanzienlijk lagere AUC-waardes variërend van 0,88 tot 0,93. De conclusie van dit onderzoek is dat het toevoegen van functionele MRI-maten aan structurele MRI-maten geen verbetering oplevert in de classificatie van de ZVA in zowel een vroeg als laat stadium van de ziekte.Show less
Het accuraat diagnosticeren van de ziekte van Alzheimer (AD) is van belang voor symptoombehandeling en onderzoek. Eén manier waarop deze diagnose kan worden gesteld is met behulp van Magnetic...Show moreHet accuraat diagnosticeren van de ziekte van Alzheimer (AD) is van belang voor symptoombehandeling en onderzoek. Eén manier waarop deze diagnose kan worden gesteld is met behulp van Magnetic Resonance Imaging (MRI). Momenteel wordt AD bij mannen en vrouwen volgens dezelfde structurele MRI-maten vastgesteld. Er bestaan echter structurele verschillen tussen de hersenen van gezonde mannen en vrouwen. Daarnaast lijken mannen en vrouwen met AD te verschillen in hersenstructuur en cognitief functioneren. Dit zou kunnen wijzen op voordeel bij het gebruik van verschillende MRI-maten bij het classificeren van mannelijke en vrouwelijke Alzheimerpatiënten. Deze scriptie onderzoekt daarom middels een logistische regressieanalyse met een LASSO penalty of er geslachtsverschillen bestaan in de classificatie-accuratesse van structurele MRI-maten bij AD. Verwachtingen waren dat grijze stofdichtheid en corticale dikte een hogere classificatie-accuratesse zouden hebben voor vrouwen dan voor mannen, omdat vrouwen gemiddeld over een hogere grijze stofdichtheid en corticale dikte beschikken en sneller hersenatrofie laten zien bij AD. De classificatie- accuratesse van subcorticale volumes en ventrikelvolume werd ook onderzocht. Eventuele geslachtsverschillen in classificatie-accuratesse werden voor de vier hierboven genoemde MRI-maten onderzocht. De steekproef van deze analyse bestond uit 30 mannen met AD, 46 vrouwen met AD, 74 mannelijke controles en 99 vrouwelijke controles. Corticale dikte, grijze stofdichtheid en subcorticale volumes bleken een hogere classificatie-accuratesse voor AD op te leveren bij mannen dan bij vrouwen. De classificatie-accuratesse van ventrikelvolume bleek hoger voor vrouwen dan voor mannen. Mannen en vrouwen met de ziekte van Alzheimer zouden wellicht middels verschillende MRI-maten geclassificeerd moeten worden, zodat zij een tijdige en accurate diagnose kunnen krijgen.Show less
De ziekte van Alzheimer wordt door middel van Magnetic Resonance Imaging (MRI) gediagnosticeerd. Vaak worden hierbij traditionele atrofiematen gebruikt, waaronder corticale dikte, subcorticale...Show moreDe ziekte van Alzheimer wordt door middel van Magnetic Resonance Imaging (MRI) gediagnosticeerd. Vaak worden hierbij traditionele atrofiematen gebruikt, waaronder corticale dikte, subcorticale volumes en grijze stof dichtheid. Echter, naast deze atrofiematen, heeft de ziekte van Alzheimer ook een effect op de corticale kromming en deze maat zou daarom bij kunnen dragen aan een verbeterde diagnose. In deze studie wordt daarom onderzocht of de toevoeging van corticale kromming naast het gebruik van traditionele atrofiematen leidt tot een betere classificatie van de ziekte van Alzheimer. Dit is onderzocht door de MRI-scans van 76 Alzheimerpatiënten en 173 controle participanten te classificeren aan de hand van drie modellen: een model met traditionele atrofiematen, een met corticale kromming en een gecombineerd model met alle modaliteiten. Deze modellen zijn getest met een logistische regressie met een LASSO penalty, waarna er een kruisvalidatie uitgevoerd. Op basis van Area Under the Curve (AUC) is bepaald welk model het beste is in het classificeren van Alzheimer. Het gecombineerde model had een hogere accuratesse dan het atrofiemodel, met AUC- waarden van respectievelijk 0,928 en 0,918. Binnen het gecombineerde model had corticale kromming de kleinste bijdrage. Corticale kromming op zichzelf is niet beter in het diagnosticeren dan de traditionele atrofiematen door zijn middelmatige AUC-waarde (0,688). Concluderend, het gecombineerde model met traditionele atrofiematen en corticale kromming zou kunnen leiden tot een accuratere diagnose van de ziekte van Alzheimer.Show less
Een structurele MRI-scan kan gebruikt worden voor de diagnose van Alzheimer. Drie markers die met een structurele MRI-scan kunnen worden berekend zijn: grijze stof dichtheid, corticale dikte en...Show moreEen structurele MRI-scan kan gebruikt worden voor de diagnose van Alzheimer. Drie markers die met een structurele MRI-scan kunnen worden berekend zijn: grijze stof dichtheid, corticale dikte en subcorticale volumes. Deze maten zijn al vaak separaat in onderzoeken gebruikt om Alzheimer te classificeren en in dit onderzoek is onderzocht of deze elkaar kunnen complementeren. De combinatie van de structurele MRI-maten is vergeleken met de maten apart op de classificatieaccuratesse voor de ziekte van Alzheimer. In totaal doen er N=249 participanten mee aan het onderzoek waarvan 173 gezonde ouderen en 76 Alzheimerpatiënten. Voor de analyse zal gebruik worden gemaakt van een logistische regressie met een LASSO-penalty om overfitting tegen te gaan in combinatie met kruisvalidatie. Uit de resultaten is gebleken dat het gecombineerde model de hoogste AUC-waarde had met een waarde van 0,93. Hierna volgde het model van de corticale dikte met een AUC-waarde van 0,92. De verschillen tussen de AUC-waardes van de modellen bleken erg klein. Verder had in het gecombineerde model de corticale dikte de grootste bijdrage. Uiteindelijk heeft de combinatie van de MRI-maten gezorgd voor een hogere accuratesse in het classificeren van Alzheimer en dit zou voor klinische diagnoses ook van belang kunnen zijn.Show less
Achtergrond. Structurele MRI-scans worden gebruikt om de diagnose ‘ziekte van Alzheimer’ te ondersteunen. Op dit moment zijn de predictiemodellen op basis van de structurele MRI-scan onvoldoende...Show moreAchtergrond. Structurele MRI-scans worden gebruikt om de diagnose ‘ziekte van Alzheimer’ te ondersteunen. Op dit moment zijn de predictiemodellen op basis van de structurele MRI-scan onvoldoende robuust voor de klinische praktijk. Doel. In dit onderzoek wordt er een robuust predictiemodel ontwikkeld. Robuust wil zeggen een model met zo min mogelijk predictoren, met een zo hoog mogelijke accuratesse wat de toepasbaarheid in de klinische praktijk vergroot. Methode. Voor dit onderzoek zijn de MRI-scans van 76 Alzheimerpatiënten en 173 gezonde ouderen controles gebruikt. In deze data zijn de corticale dikten, subcorticale volumes en grijze stofdichtheid meegenomen. Op deze data heeft een logistische regressieanalyse met LASSOpenalty plaatsgevonden. Vervolgens is er met kruisvalidatie een vergelijking gemaakt tussen een hoge en lage penalty. Van beide modellen zijn de accuratesse, specificiteit en sensitiviteit berekend en hoe dit zich verhoudt met behulp van de ROC-analyse. Er zijn twee lambda-waarden gekozen. Er is gekozen voor de optimale lambda-waarde en voor de lambda-waarde die nog binnen de errorbar is van de optimale waarde, welteverstaan +1 standaarderror. Resultaten. Deze modellen zijn met elkaar vergeleken. Uit het robuuste model met het minimale aantal predictoren komen acht predictoren naar voren. Dit model heeft een AUC-waarde van 0,92 en is accurater dan het model met een lagere penalty. Conclusie. Er is een model ontworpen met een minimaal aantal predictoren dat beter toepasbaar is in de klinische praktijk en een hogere accuratesse heeft. Met dit model kan de ziekte van Alzheimer geclassificeerd worden aan de hand van structurele MRI in de klinische praktijk.Show less
