Met de vergrijzing van de bevolking groeit ook het belang van een vroege en nauwkeurige diagnose van neurodegeneratieve aandoeningen zoals de ziekte van Alzheimer (AD). Dit onderzoek richt zich...Show moreMet de vergrijzing van de bevolking groeit ook het belang van een vroege en nauwkeurige diagnose van neurodegeneratieve aandoeningen zoals de ziekte van Alzheimer (AD). Dit onderzoek richt zich specifiek op het verkennen van de verschillen tussen twee vormen van AD, namelijk Early-Onset Alzheimer's Disease (EOAD) en Late-Onset Alzheimer's Disease (LOAD), met als doel het verbeteren van classificatiemodellen. We hebben vier classificatiemodellen ontworpen, elk gericht op specifieke hersengebieden die mogelijk atrofie vertonen, met Model 1 en 2 gericht op respectievelijk LOAD en EOAD, Model 3 als een gecombineerd model en Model 4 dat de algehele hersenatrofie omvat. Deze modellen zijn geanalyseerd aan de hand van Area Under the Curve (AUC) en zijn ontwikkeld met behulp van logistische regressie en LASSO om de meest relevante variabelen te selecteren. Onze bevindingen suggereren dat EOAD en LOAD verschillende neuropathologische patronen vertonen, waarbij EOAD mogelijk wordt gekenmerkt door specifiekere neuropathogenese patronen, terwijl LOAD meer uniforme hersenveranderingen vertoont. Model 3, dat specifieke hersengebieden combineerde, presteerde het beste bij het classificeren van beide groepen, terwijl Model 4, dat alle hersengebieden omvatte, een lagere classificatie-accuratesse vertoonde voor EOAD. Deze resultaten benadrukken dat AD patiënten geen homogene groep zijn en benadrukken het belang van gedifferentieerde diagnostische benaderingen om rekening te houden met de heterogeniteit binnen deze aandoening.Show less
Introduction: Structural MRI has been widely used for Alzheimer’s disease (AD) diagnosis, but resting state functional MRI (RS-fMRI) and diffuse tensor imaging (DTI) can also be used for AD...Show moreIntroduction: Structural MRI has been widely used for Alzheimer’s disease (AD) diagnosis, but resting state functional MRI (RS-fMRI) and diffuse tensor imaging (DTI) can also be used for AD classification. Various studies compared several combinations of MRI types to assess whether combinations would increase classification accuracy, yet no study that researched these 3 MRI types compared all possible combinations for AD classification within one dataset. Methods: This thesis compares 7 models of MRI combinations from 1 dataset to classify AD patients (N = 76) and controls (N = 173). From the sMRI scans, 14 subcortical volumes, 68 regional cortical thickness values, and 48 regional grey matter density values were calculated, the RS-fMRI scans were used to calculate pairwise functional connectivity (FC) between 70 brain regions, and from the DTI scans fractional anisotropy (FA) values were calculated for 20 white matter regions. The Least Absolute Shrinkage and Selection Operator (LASSO) was used to set a penalty, with the goal to reduce overfitting by reducing the number of variables. With cross-validation, the models were trained and tested to estimate the classification accuracy of AD. Results: sMRI had an AUC of .931, sMRI + DTI resulted in an AUC of .929. The sMRI + RS-fMRI + DTI model had an AUC of .902. Conclusion: sMRI is the best single MRI type for classifying AD, and is better than any combination of MRI types. RS-fMRI and DTI were not helpful for increasing classification accuracy.Show less
