Klasyfikacja pacjentów ze stwardnieniem rozsianym (SM) na podstawie metryk DTI przy użyciu modelu uczenia maszynowego

Celem pracy było opracowanie i walidacja algorytmu klasyfikacyjnego opartego na uczeniu maszynowym, zdolnego do odróżniania pacjentów ze stwardnieniem rozsianym (SM) od osób zdrowych (HC) wyłącznie na podstawie metryk tensora dyfuzji (DTI), obliczonych w precyzyjnie zdefiniowanych regionach zainteresowania (ROIs) [1,2]. Do analizy wykorzystano dane zebrane w trakcie wieloletniego badania klinicznego, obejmujące łącznie 620 zestawów danych: 385 od pacjentów z SM oraz 235 od osób zdrowych.

W każdym przypadku ekstrakcja cech obejmowała 98 regionów mózgowia, z których dla każdego obliczono wartości metryk DTI, takich jak: FA (fractional anisotropy), MD (mean diffusivity), AD (axial diffusivity) oraz RD (radial diffusivity). Segmentacja struktur mózgu została przeprowadzona przy użyciu narzędzia SynthSeg [3]. Dane zostały poddane standaryzacji, a następnie wykorzystane jako wejście do modelu klasyfikacyjnego.

Zbudowany model osiągnął wysoką skuteczność: dokładność 90,3%, precyzję 91,5%, czułość 93,2% oraz AUC (obszar pod krzywą ROC) równy 0,96. Oznacza to, że możliwa jest klasyfikacja pacjentów na podstawie samych danych DTI, bez potrzeby stosowania kontrastu czy dodatkowych sekwencji funkcjonalnych. Dane były przetwarzane z uwzględnieniem standardowej korekcji szumu oraz systematycznych błędów obrazowania metodą BSD-DTI [4].
Algorytm może wspierać proces diagnostyczny oraz stanowić podstawę do opracowania przyszłych narzędzi klinicznych wspomagających rozpoznanie i monitorowanie przebiegu choroby.

Rysunek.  Schemat działania algorytmu klasyfikującego SM vs HC na podstawie metryk DTI z 98 obszarów mózgu. Model oparty na ośmiu metrykach osiągnął dokładność 90,3% (AUC = 0,961) na zbiorze 391 SM i 239 HC.  

Referencje

1. Krzyżak AT, Lasek J, Schneider Z, Wnuk M, Bryll A, Popiela T, Słowik A. Diffusion tensor imaging metrics as natural markers of multiple sclerosis-induced brain disorders with a low Expanded Disability Status Scale score. NeuroImage 2024; 290, 120567. https://doi.org/10.1016/j.neuroimage.2024.120567.
2. Siddiqui MI, Khan A, Memon KI, Farid MI, Kashif M, Mirjat D, Ahmad M, Raza T, Amjad MH. The Role of Advanced Magnetic Resonance Imaging Sequences in Multiple Sclerosis. Cureus. 2020; 12(11): e11434. https://doi.org/10.7759/cureus.11434
3. Billot B, Greve DN, Puonti O, Thielscher A, Van Leemput K, Fischl B, Dalca AV, Iglesias JE; ADNI. SynthSeg: Segmentation of brain MRI scans of any contrast and resolution without retraining. Medical Image Analysis. 2023; 87:102812. https://doi.org/10.1016/j.media.2023.102812
4. Mazur‑Rosmus, A. T. Krzyżak. The effect of elimination of gibbs ringing, noise and systematic errors on the DTI metrics and tractography in a rat brain, W.; Scientific Reports 2024; 14:15010. https://doi.org/10.1038/s41598-024-66076-z