Maschinelles Lernen zur Vorhersage von Alzheimer und Parkinson

• Precision Health Abteilung
• Forschungseinheit für Eingehende Digitale Phänotypisierung
• Kompetenzzentrum für Methodik und Statistik
• Parkinson

In einer neuen Studie, die kürzlich von der Deep Digital Phenotyping Research Unit des Dept. of Precision Health am LIH veröffentlicht wurde, zeigen Forscher, wie tiefe neuronale Netze zur Vorhersage des Ausbruchs neurodegenerativer Krankheiten eingesetzt werden können.

Für die ältere Bevölkerung sind neurodegenerative Erkrankungen wie Alzheimer, Parkinson und Demenz eine allgegenwärtige Bedrohung, die zu vorzeitigem Tod, Behinderung und schlechter Lebensqualität führt. Da die Lebenserwartung gestiegen ist, haben sich auch die epidemiologischen Raten neurodegenerativer Erkrankungen erhöht und damit auch die Notwendigkeit, diese zu verstehen und zu behandeln. Erschwerend kommt hinzu, dass es, bevor die Symptome neurodegenerativer Erkrankungen deutlich sichtbar werden und zu starken Beeinträchtigungen führen, oft eine lange Vorlaufphase (Prodromalphase) gibt, in der die Symptome mild und sehr unterschiedlich sind. Schon vor diesen Phasen können Umweltfaktoren wie Schadstoffe und körperliche Betätigung als Risiko- oder Schutzfaktoren eine wesentliche Rolle bei der Entwicklung der Krankheit spielen. Darüber hinaus können sie in der Prodromalphase den Ausbruch der Krankheit beschleunigen oder verlangsamen. Das Verständnis dieser frühen Phasen ist entscheidend für die Vorhersage der Entwicklung neurodegenerativer Erkrankungen, die Minimierung von Risikofaktoren und die Förderung von Schutzfaktoren.

Aufgrund der Vielfalt der Symptome und Risiken in den frühen Phasen neurodegenerativer Erkrankungen ist die Entwicklung von Modellen und Vorhersageanalysen für Forscher und Kliniker eine große Herausforderung. Dennoch sind statistische Analysen mit unterschiedlichem Erfolg durchgeführt worden. Das jüngste Aufkommen und die Entwicklung von Instrumenten des maschinellen Lernens, mit denen Algorithmen trainiert werden können, um Vorhersagen auf der Grundlage umfangreicher und vielfältiger Datensätze zu treffen, ist ein vielversprechender Weg zur Vorhersage und Früherkennung neurodegenerativer Erkrankungen. Mit Hilfe des maschinellen Lernens lassen sich möglicherweise auch bisher unbekannte Vorhersagefaktoren entdecken. Die Deep Digital Phenotyping Research Unit der Abteilung für Präzisionsgesundheit am LIH unter der Leitung von Dr. Guy Fagherazzi hat kürzlich eine Studie veröffentlicht, in der untersucht wird, ob maschinelles Lernen, insbesondere tiefe neuronale Netze, zur Vorhersage neurodegenerativer Erkrankungen eingesetzt werden können und wie gut sie im Vergleich zu herkömmlichen statistischen Methoden abschneiden. Tiefe neuronale Netze wurden bereits in verschiedenen medizinischen Bereichen eingesetzt, darunter in der Arzneimittelforschung, der medizinischen Bildanalyse und der Genetik. In der Epidemiologie, wo tabellarische Datensätze verwendet werden, werden sie jedoch nur selten eingesetzt.

Die Forscher unter der Leitung von Dr. Gloria Aguayo trainierten und testeten drei tiefe neuronale Netze und zwei herkömmliche statistische Modelle an einem umfangreichen Datensatz aus der English Longitudinal Study of Ageing, der sich über 12 Jahre erstreckt und über 5000 Teilnehmer umfasst. Die Forscher wählten über 90 Variablen aus, die sie als Prädiktoren für neurodegenerative Erkrankungen untersuchten. Alter, Gedächtnis und körperliche Aktivität waren die wichtigsten Faktoren für die Vorhersage neurodegenerativer Erkrankungen. Interessanterweise waren andere Variablen mit hoher Vorhersagekraft schlechtes Hören, Gewichtsverlust und Gehgeschwindigkeit. 

Im Hinblick auf die mögliche prädiktive Wirkung des maschinellen Lernens entdeckte das Team, dass ein bestimmtes tiefes neuronales Netzwerk, TabTransformer, im Vergleich zu den anderen Methoden eine überlegene Vorhersagefähigkeit hatte. Sie schlagen vor, dass TabTransformer für künftige Forscher eine leistungsstarke Alternative zu etablierteren statistischen Modellen sein könnte.

Der Mehrwert dieser Studie besteht darin, dass wir eine ausgefeilte, reproduzierbare Methodik vorstellen, die einen neuartigen Ansatz mit modernsten Techniken kombiniert. Diese Analyse kann in Vorhersagestudien in der Allgemeinbevölkerung und in klinischen Kohorten, insbesondere bei neurodegenerativen Erkrankungen, eingesetzt werden. Darüber hinaus haben tiefe neuronale Netze viele potenzielle Anwendungen in Kohorten mit umfangreichen und vielfältigen Daten (epidemiologische, klinische und Bilddaten) sowie mit fehlenden Daten

so die Hauptautorin Dr. Gloria Aguayo.

Die vollständige Veröffentlichung in der Zeitschrift BMC Medical Research Methodology ist hier online zu finden.

Die Studie wurde auf der Tagung des Konsortiums des National Centre of Excellence in Research on Parkinson’s Disease (NCER-PD) im Mai 2021 vorgestellt. Die Studie wurde in Zusammenarbeit mit der Bioinformatik-Plattform, dem Kompetenzzentrum für Methodik und Statistik (CCMS) und dem NCER-PD-Konsortium durchgeführt.

Diese Arbeit wurde vom National Centre of Excellence in Research on Parkinson’s Disease (NCER-PD) unterstützt, das vom Nationalen Forschungsfonds Luxemburgs (FNR/NCER13/BM/11264123) finanziert wird.