Predicting future cognitive impairment in preclinical Alzheimer's disease using amyloid PET and MRI: a multisite machine learning study

Deze multisite machine learning-studie toont aan dat het combineren van amyloïde PET en MRI-beelden de progressie naar cognitieve stoornissen bij preklinische Alzheimer-patiënten kan voorspellen en zo de statistische kracht van klinische trials voor ziektemodificerende therapieën kan verbeteren.

De kern

De Kernboodschap: Een Voorspellingssysteem voor Alzheimer

Stel je voor dat Alzheimer een lange reis is die begint lang voordat je merkt dat je verdwaalt. De "brandstof" voor deze reis (eiwitten die zich ophopen in het brein) is al aanwezig, maar de auto (je geheugen) rijdt nog prima.

De onderzoekers van dit artikel hebben een slimme computerprogrammatuur (machine learning) ontwikkeld die kan voorspellen welke mensen op die lange reis sneller zullen "vastlopen" dan anderen, zelfs als ze op dit moment nog alles perfect onthouden.

Hoe werkt het? (De Analogie van de Twee Camera's)

Om deze voorspelling te doen, hebben de onderzoekers twee soorten "camera's" gebruikt om het brein te bekijken:

1. De Amyloid-Camera (PET-scan): Dit is een speciale camera die de "vuilnis" (amyloïde-eiwitten) ziet die zich in het brein ophoopt. Het is als een camera die ziet waar er al roet in de motor zit.
2. De Structuur-Camera (MRI): Dit is een gewone camera die ziet of de motoronderdelen (hersengebieden) al beginnen te krimpen of beschadigd te raken.

De computer heeft gekeken naar duizenden scans van mensen uit zeven verschillende ziekenhuizen in de wereld. Het doel was niet om te zeggen "deze persoon heeft Alzheimer", maar: "Wie van deze gezonde mensen zal binnen 1, 2, 3, 4 of 5 jaar problemen krijgen met hun geheugen?"

De Grote Uitdaging: Verschillende Camera's en Locaties

Een groot probleem bij dit soort onderzoek is dat elke ziekenhuislocatie zijn eigen apparatuur gebruikt. Het is alsof je probeert een foto te vergelijken die is genomen met een oude Nikon, een nieuwe Canon en een iPhone. Ze zien er allemaal anders uit.

De onderzoekers hebben hun computermodel getraind om onafhankelijk te zijn van deze verschillen. Ze hebben het model getest door het te laten kijken naar data van een ziekenhuis dat het nog nooit had gezien, of met een andere soort "vuilnis-detector" (een andere chemische stof voor de scan).

• Het resultaat: De computer was verrassend goed! Hij kon in de meeste gevallen de mensen die snel zouden achteruitgaan, onderscheiden van de mensen die stabiel zouden blijven, zelfs als de data van een heel ander ziekenhuis kwam.

Waarom is dit belangrijk? (De "Kwaliteitscontrole" voor Geneesmiddelen)

Dit is misschien wel het belangrijkste deel. Stel je voor dat een farmaceutisch bedrijf een nieuw medicijn ontwikkelt om Alzheimer te stoppen. Ze willen dit medicijn testen op mensen die nog geen symptomen hebben (preklinisch), omdat je de ziekte dan het beste kunt stoppen.

Maar hier zit een addertje onder het gras:

• Als je 100 mensen in een test doet, zijn sommige mensen "snelle achteruitgangers" en andere "trage achteruitgangers".
• Als de "snelle achteruitgangers" per ongeluk in de groep met het placebo (nep-medicijn) zitten, lijkt het alsof het echte medicijn niet werkt, terwijl het misschien wel werkt.
• Als de "trage achteruitgangers" in de medicijn-groep zitten, lijkt het medicijn wonderbaarlijk goed, terwijl het niets doet.

De oplossing van dit artikel:
De computerfunctie werkt als een slimme filter. Voordat je een klinische proef start, kun je de computer laten kijken wie waarschijnlijk snel achteruitgaat. Vervolgens zorg je ervoor dat in de groep met het echte medicijn én in de groep met het placebo, precies evenveel "snelle achteruitgangers" zitten.

Dit maakt de test eerlijker en krachtiger. Het is alsof je in plaats van een willekeurige groep mensen, alleen de mensen kiest die het meest kans lopen om baat te hebben bij de test. Hierdoor heb je minder mensen nodig om te zien of een medicijn werkt, en is de kans groter dat je een echt succesvol medicijn vindt.

Wat hebben ze ontdekt?

1. De computer is slim: Hij kan voorspellen wie over 3 tot 5 jaar geheugenproblemen krijgt, puur op basis van de scans.
2. De locatie maakt niet uit: Het werkt ook als je de computer naar een ander ziekenhuis stuurt.
3. De "vuilnis" is cruciaal: De manier waarop de "vuilnis" (amyloïde) zich verspreidt in het brein, was een nog betere voorspeller dan alleen het krimpen van het brein zelf.
4. Beter testen: Toen ze dit systeem toepasten op de data van een echte grote test (de A4-studie), zagen ze dat ze met dit systeem makkelijker een effect van een medicijn konden vinden (in dit geval op de hoeveelheid "vuilnis" in het brein).

Conclusie

Dit onderzoek is als het ontwikkelen van een navigatiesysteem voor de toekomst. Het helpt artsen en onderzoekers om beter te begrijpen wie er op weg is naar Alzheimer, nog voordat de eerste verkeerde afslag wordt genomen. Door deze kennis te gebruiken bij het testen van nieuwe medicijnen, hopen ze dat we in de toekomst sneller effectieve behandelingen kunnen vinden voor mensen die het nu nog niet merken, maar wel nodig hebben.

Technische samenvatting

Probleemstelling

Alzheimer's ziekte (AD) begint jaren voordat klinische symptomen optreden, met accumulatie van amyloïde-beta plaques in de hersenen. Klinische trials voor ziektemodificerende therapieën hebben vaak gefaald, deels omdat deelnemers te laat in het ziekteproces werden gerekruteerd of omdat de cohorten te heterogeen waren (verschillende snelheden van cognitieve achteruitgang). Er is een dringende behoefte aan modellen die kunnen voorspellen welke asymptomatische individuen met preklinische AD (amyloïde-positief maar cognitief intact) zullen progresseren naar milde cognitieve stoornis (MCI) of dementie. Bestaande machine learning (ML) modellen zijn vaak beperkt tot patiënten met reeds bestaande cognitieve stoornissen, trainen op één tijdsvenster, of missen de generaliseerbaarheid over verschillende onderzoekssites en PET-tracers.

Methodologie

De auteurs ontwikkelden en evalueerden ML-classificatoren om toekomstige cognitieve achteruitgang te voorspellen in een preklinische populatie.

• Data: Gegevens werden verzameld van zeven onafhankelijke sites (o.a. A4-studie, ADNI, HABS, MCSA, OASIS) en twee amyloïde PET-tracers: [18F]-florbetapir (FBP) en [11C]-Pittsburgh-compound-B (PiB).
• Selectiecriteria: Deelname was beperkt tot cognitief ongestoorde (CU) individuen met amyloïde-positieve PET-scans.
  • Progressors: Individuen die binnen 1 tot 5 jaar na de baseline scan overgingen naar een Clinical Dementia Rating (CDR) > 0.
  • Stables: Individuen die gedurende minimaal 5 jaar na de scan CU bleven (CDR = 0).
• Kenmerken (Features):
  • Amyloïde PET: Regionale standaardisatie opname-waarde verhoudingen (SUVR) uit 114 corticale en subcorticale regio's.
  • MRI: Volumetrische data uit 125 regio's (geëxtraheerd via MUSE-segmentatie).
  • Niet-afbeeldingskenmerken: Leeftijd, geslacht en APOE4-status.
• Model: Er werden lineaire Support Vector Machines (SVM) getraind om een binaire classificatie te maken (stabil vs. progressie). Er werden vijf onafhankelijke modellen getraind voor verschillende voorspellingsvensters (1, 2, 3, 4 en 5 jaar).
• Validatie:
  • Leave-one-site-out: Testen op een volledige site die niet in de training was gebruikt.
  • Leave-one-tracer-out: Testen op een PET-tracer die niet in de training was gebruikt.
  • Centiloid-analyse: Een gevoeligheidsanalyse om regionale SUVR's te harmoniseren naar de Centiloid-schaal om tracer-bias te verminderen.
• A4-studie Analyse: De getrainde modellen werden retroactief toegepast op de A4-studie (placebo- en Solanezumab-armen) om cohortverrijking te testen. Dit omvatte het evalueren van de statistische power om behandeleffecten te detecteren in primaire (PACC-score) en secundaire (amyloïde SUVR verandering) eindpunten.

Belangrijkste Bijdragen

1. Multisite Generaliseerbaarheid: Het ontwikkelen van modellen die robuust presteren over verschillende onderzoekssites en PET-tracers, wat essentieel is voor grote, multicenter klinische trials.
2. Focus op Preklinische Populatie: Specifieke training op amyloïde-positieve, cognitief ongestoorde individuen, een groep die vaak wordt genegeerd in eerdere ML-studies.
3. Kwantificering van Feature Importance: Het analyseren van welke beeldvormingskenmerken (regio's) het belangrijkst zijn voor voorspelling en hoe deze belang verandert naarmate het voorspellingsvenster langer wordt.
4. Validatie in Klinische Trial Context: Het demonstreren van de praktische toepasbaarheid van deze modellen voor cohortverrijking in de A4-studie om de statistische power van behandeleffecten te verhogen.

Resultaten

• Prestaties: De SVM-modellen bereikten een out-of-sample ROC-AUC van ≥ 0,66 voor de meeste gehouden sites en ≥ 0,72 voor beide gehouden tracers.
  • De enige uitzondering was de HABS-site, waar de prestaties lager waren (<0,50), waarschijnlijk door steekproefvariatie en site-specifieke bias.
• Feature Belang:
  • Amyloïde PET: Regionale amyloïde-accumulatie in de temporale, frontale en occipitale corticale regio's was de sterkste voorspeller. De belang van amyloïde-kenmerken nam toe naarmate het voorspellingsvenster langer werd.
  • MRI: Ventrikelvolumes (binnenste en buitenste) en atrofie in de hippocampus en amygdala hadden de hoogste gewichten, maar de invloed nam minder snel toe dan die van amyloïde PET.
  • Niet-afbeeldingskenmerken: Leeftijd was de belangrijkste niet-afbeeldingskenmerk; APOE4 en geslacht hadden een zwakkere associatie.
• Centiloid Harmonisatie: Het omzetten van SUVR's naar Centiloids verbeterde de balans tussen sensitiviteit en specificiteit bij cross-tracer validatie, hoewel de ROC-AUC niet significant veranderde.
• A4-studie Verrijking:
  • Cognitieve uitkomst (PACC): Er werd geen significant behandeleffect gevonden voor Solanezumab, noch in het ongeverrijkte cohort, noch in de ML-verrijkte cohorten.
  • Amyloïde uitkomst (SUVR): In het ongeverrijkte cohort was er een significant behandeleffect (reductie in amyloïde accumulatie). Na verrijking met de 2-, 4- en 5-jaar modellen nam de statistische power om dit effect te detecteren toe (vooral bij steekproefgroottes tussen 20 en 80). Verrijking met het 1-jaar model verlaagde de power door te kleine steekproefgroottes.

Betekenis en Conclusie

De studie toont aan dat machine learning-modellen, getraind op multimodale beeldvorming (amyloïde PET en MRI), effectief kunnen worden gebruikt om individuen met preklinische Alzheimer te stratificeren op basis van hun risico op cognitieve achteruitgang.

• Klinische Impact: Deze modellen kunnen worden ingezet om klinische trials te optimaliseren door homogene cohorten van "snelle progressors" te selecteren. Dit verhoogt de statistische power om behandeleffecten van ziektemodificerende therapieën te detecteren, wat cruciaal is voor de ontwikkeling van nieuwe medicijnen.
• Toekomstperspectief: Hoewel de modellen geen behandeleffect op de primaire cognitieve uitkomst in de A4-studie konden herstellen (wat suggereert dat Solanezumab mogelijk geen effect had), tonen ze wel potentie voor het detecteren van biologische behandeleffecten (amyloïde reductie). De auteurs benadrukken dat toekomstige modellen tau-PET en metabolische PET zouden moeten integreren en dat survival-modellen (time-to-event) mogelijk beter geschikt zijn dan onafhankelijke binaire modellen voor verschillende tijdsvensters.

Samenvattend biedt dit onderzoek een robuust raamwerk voor het gebruik van ML in de preklinische fase van Alzheimer, met name voor het verbeteren van het ontwerp en de efficiëntie van toekomstige klinische trials.