05:00 
«Стандартная МРТ показывает гиперинтенсивность белого вещества, но она часто встречается и у здоровых пожилых людей», — объясняет профессор Тан. «DTI фиксирует микроструктурную целостность белого вещества – фракционную анизотропию (FA) и среднюю диффузию (MD) – которая гораздо более чувствительна к тонким повреждениям, вызванным заболеванием мелких сосудов».
Команда создала DenseNet – плотносвязанную сверточную нейронную сеть – которая изучает иерархические функции непосредственно из необработанных данных DTI. Они обучили и проверили его на внутреннем наборе данных из 134 пациентов с SVCI и 171 пациента с SIVD. Чтобы гарантировать, что модель работает с данными, полученными с помощью различных сканеров и групп населения, они использовали неконтролируемую адаптацию домена (UDA) с внешней когортой из 90 пациентов с SVCI и 103 пациентов с SIVD. Для адаптации использовались только немаркированные изображения целевого домена; независимый набор тестов (45 SVCI, 50 SIVD) был передан для окончательной оценки.
Лучшая модель, использующая вместе FA и MD, достигла точности 0,902 на внутреннем тестовом наборе и 0,926 на тестовом наборе целевой области, с площадью под кривой ROC (AUC) 0,951 и 0,942 соответственно. «Это существенно лучше, чем наш предыдущий подход к машинному обучению, который требовал ручного проектирования функций», — отмечает профессор Ли. «Что еще более важно, предсказанная моделью вероятность SVCI сильно коррелирует с реальными нейропсихологическими показателями — MoCA, MMSE, тестами на память и тестами Trail Making — поэтому сама вероятность дает клиницистам непрерывную меру когнитивной тяжести».
Чтобы сделать «черный ящик» интерпретируемым, исследователи использовали управляемое обратное распространение ошибки для создания существенных карт – воксельный вклад в решение модели. Модель фокусировалась на 11 областях белого вещества, включая лучистую корону, верхний продольный пучок, мозолистое тело, внутреннюю капсулу и заднюю лучистую часть таламуса. Известно, что именно эти пути повреждаются при заболевании мелких сосудов и функционально связаны с вниманием, исполнительным контролем и памятью. «Когда мы взяли только данные DTI в этих важных регионах и обучили отдельную CNN для прогнозирования нейропсихологических показателей, прогнозы значительно коррелировали с истинными показателями, что доказывает, что внимание модели нейропсихологически значимо», — говорит профессор Цинь.
SVCI неоднороден: у одного пациента могут быть в основном проблемы с памятью, у другого — исполнительная дисфункция. Команда хотела выйти за рамки бинарной диагностики и создать инструмент на основе визуализации, который мог бы оценить индивидуальный риск в каждой когнитивной области. Сначала они вычислили воксельную взаимную информацию (MI) между изображениями FA-MD и шестью нейропсихологическими шкалами у пациентов с SVCI. В результате было создано шесть «карт релевантности» для конкретных областей, показывающих, где повреждение белого вещества несет наибольшую информацию о когнитивных функциях. Перекрытие между этими картами было небольшим (среднее значение Дайса 0,057), что подтверждает, что каждый когнитивный домен имеет отдельный структурный след.
Для каждого пациента с SVCI исследователи затем рассчитали показатель индекса структурного сходства (SSIM) между собственной картой заметного веса пациента (из DenseNet) и каждой из шести карт ИМ, специфичных для домена. «SSIM сообщает нам, насколько картина аномалий белого вещества пациента похожа на популяционную картину, которая наиболее информативна, скажем, для памяти или исполнительных функций», — объясняет доктор Хе. Используя неконтролируемую кластеризацию K-средних по шкале SSIM, они разделили пациентов на подгруппы с низким, средним и высоким сходством для каждой когнитивной области. В каждом домене пациенты из группы с высоким сходством имели значительно худшие нейропсихологические показатели – например, более низкие оценки MoCA или более длительное время прохождения маршрута. «Это означает, что теперь мы можем стратифицировать пациентов с SVCI не только по общему диагнозу, но и по прогнозируемому риску нарушения конкретных когнитивных функций, и все это на основе одного сканирования DTI».
Для этой системы требуется только стандартная последовательность DTI, которая уже является частью многих клинических протоколов МРТ. Он не требует трудоемкого нейропсихологического тестирования, что делает его особенно ценным для пожилых людей или в условиях ограниченных ресурсов. Авторы признают ограничения: размер когорты для глубокого обучения скромен, а текущий анализ является перекрестным. Однако их когорта VIVA проходит ежегодное наблюдение, которое позволит прогнозировать снижение когнитивных функций в продольном направлении. Будущая работа будет включать мультимодальную визуализацию и биомаркеры крови.
Наше исследование показывает, что глубокое обучение может не только точно идентифицировать SVCI от SIVD, но также извлечь персонализированную «когнитивную сигнатуру риска» из того же сканирования мозга. Это приближает нас к прецизионной медицине при сосудистых когнитивных нарушениях, позволяя проводить ранние целенаправленные вмешательства с учетом уникальной картины повреждения белого вещества каждого пациента.
