Enhancing Long-term Dual-task-based Prediction of Future Cognitive Decline

Technische Samenvatting: Verbeteren van de langetermijnvoorspelling van toekomstige cognitieve achteruitgang op basis van dual-task-taken

Probleemstelling
Hoewel de vroege detectie van cognitieve stoornissen is gevorderd door middel van deep learning, blijft het voorspellen van toekomstige longitudinale veranderingen in de cognitieve status onderbelicht. Bestaande methoden kampen met aanzienlijke beperkingen: conventionele klinische instrumenten zoals de Mini-Mental State Examination (MMSE) lijden aan oefeneffecten die de betrouwbaarheid bij longitudinale monitoring in gevaar brengen; MRI- en biomarker-gebaseerde methoden bieden een hoge precisie maar missen toegankelijkheid vanwege de kosten en de noodzaak voor gespecialiseerde apparatuur; en bestaande gedragsparadigmen, zoals dual-task-beoordelingen, vertrouwen vaak op simplistische feature engineering en inadequate temporele modellering, waardoor ze er niet in slagen om langdurige achteruitgang effectief te voorspellen. De kernuitdaging is het ontwikkelen van een niet-invasieve, toegankelijke methode die nauwkeurig cognitieve achteruitgang (specifiek over een horizon van twee jaar) kan voorspellen met behulp van langetermijnprestatiegegevens van gezonde of licht aangetaste individuen vóór het ontstaan van ernstige dementie.

Methodologie
Het voorgestelde framework maakt gebruik van langetermijn dual-task-gegevens bestaande uit motorische loopbewegingen (stappen) en rekenopdrachten verzameld over een observatievenster van zes maanden ($\mu=6$ maanden) om de cognitieve achteruitgang over de daaropvolgende twee jaar ($\theta=24$ maanden) te voorspellen. De methodologie bestaat uit vier primaire fasen:

1. Data-acquisitie en Preprocessing:

   • Dual-Task Systeem: Proefpersonen voeren simultaan een staptaken en rekenopdrachten uit. Gegevens worden wekelijks verzameld in zorginstellingen voor ouderen.
   • Temporele Uitlijning (Block-wise Resampling): Om temporele misalignement en de schaarste aan datapunten aan te pakken, stellen de auteurs een block-wise resampling-strategie voor. Het observatievenster wordt verdeeld in $m$ temporele groepen. Door willekeurig één trial uit elke groep te selecteren, worden subsamples gegenereerd, wat een tijdreeksmatrix creëert die de temporele representativiteit over de gehele observatieperiode waarborgt.
   • Data Augmentatie: Om klassenimbalans en de beperkte steekproefomvang te mitigeren, wordt de Synthetic Minority Over-sampling Technique (SMOTE) toegepast op de geresamplede feature vectoren tijdens de trainingsfase alleen.

2. Feature Extractie:

   • Pose Features (PPGCN): In plaats van handmatig ontworpen (handcrafted) gait-features, gebruikt de studie een Phase-Aligned Periodic Graph Convolutional Network (PPGCN). Dit model legt de ruimtelijke, temporele en periodieke kenmerken van de gang vast door skeletsequenties te deconstrueren naar fase-uitgelijnde cycli met behulp van Self-DTW.
   • Cognitieve Features: Een lichtgewicht CNN extraheert kenmerken uit de nauwkeurigheid van antwoorden en reactietijden tijdens de rekenopdrachten.
   • Two-Stage Training Strategie: Om de robuustheid te waarborgen gezien de kleine doelgerichte dataset (34 proefpersonen in zorginstellingen), ondergaan de feature extractie-modellen een tweefasig trainingsproces:
     • Pretraining: De modellen worden gepre-traind op een grote, diverse dataset van het Universiteitscentrum van het Osaka Ziekenhuis (710 monsters inclusief AD, MCI, DLB en gezonde controles).
     • Fine-tuning: De modellen worden vervolgens gefinetuned op de kleinere doelgerichte dataset uit de zorginstellingen om aan te passen aan domeinverschuivingen (bijv. leeftijdsverschillen, variaties in apparatuur).

3. Voorspellingsmodel:

   • De geëxtraheerde sequentiële features (geconcateneerde pose en cognitieve vectoren) worden ingevoerd in een Transformer-gebaseerde classifier. Deze architectuur maakt gebruik van multi-head self-attention mechanismen om langetermijn temporele afhankelijkheden en grofmazige patronen te vangen die geassocieerd worden met toekomstige cognitieve achteruitgang, waarmee de beperkingen van RNN's en LSTM's bij het modelleren van lange sequenties worden overwonnen.
   • Soft Voting: Omdat resampling meerdere subsamples per originele proefpersoon genereert, aggregeert een soft voting-strategie de voorspellingskansen van alle subsamples om de uiteindelijke binaire classificatie (achteruitgang vs. stabiel) te bepalen.

4. Ground Truth Labeling:

   • Labels worden bepaald door de geannualiseerde veranderingssnelheid in MMSE-scores over een periode van twee jaar. Een drempelwaarde van $\gamma = -0,6$ punten/jaar wordt gebruikt om proefpersonen als positief (achteruitgaand) of negatief (stabiel) te classificeren.

Belangrijkste Bijdragen

• Nieuw Voorspellingsframework: De studie introduceert een uitgebreide pijplijn voor het voorspellen van toekomstige cognitieve achteruitgang met behulp van langetermijn dual-task-gegevens, waarbij de focus verschuift van eenvoudige detectie van huidige beperking naar toekomstige prognose.
• Verbeterde Dataprocessing: De integratie van block-wise resampling voor temporele uitlijning en SMOTE voor data-augmentatie pakt cruciale problemen aan zoals temporele misalignement en dataschaarste.
• Geavanceerde Feature Extractie: De adaptatie van PPGCN voor pose feature extractie vervangt conventionele handmatige features, wat het mogelijk maakt om volledige lichaamskinematische patronen vast te leggen over temporele, ruimtelijke en frequentie-domeinen.
• Two-Stage Training Strategie: Een pretraining-fine-tuning benadering is ontwikkeld om grootschalige klinische data te benutten voor het leren van generaliseerbare representaties voordat deze worden aangepast aan de specifieke, kleinere doelgerichte dataset.
• Transformer Integratie: Het gebruik van een Transformer-model verbetert de representatie van longitudinale cognitieve patronen aanzienlijk vergeleken met traditionele recurrente netwerken.

Experimentele Resultaten
Het model werd geëvalueerd met een vier-voudige cross-validatiestrategie op data van 34 proefpersonen (67 samples).

• Prestaties: De voorgestelde methode bereikte een gemiddelde nauwkeurigheid van 80%, met een sensitiviteit van 79% en een specificiteit van 81%.
• Vergelijking: Deze prestatie overtrof bestaande methoden, waaronder MRI-gebaseerde benaderingen (71% nauwkeurigheid) en eerdere dual-task-gebaseerde methoden die gebruikmaakten van handmatige features en LightGBM (71% nauwkeurigheid).
• Ablatie-studies:
  • Het vervangen van PPGCN door handmatige features verminderde de nauwkeurigheid tot 75%.
  • Het vervangen van de Transformer door een LSTM verminderde de nauwkeurigheid tot 73%.
  • Deze resultaten bevestigen de noodzaak van zowel de periodieke graaf-gebaseerde feature extractie als de attention-gebaseerde temporele modellering.
• Robuustheid: Het model behield een stabiele prestatie over verschillende drempelwaarden voor het definiëren van cognitieve achteruitgang, en het gebruik van Sensitivity-Specificity Loss mitigeerde effectief de impact van klassenimbalans.

Betekenis en Claims
Het artikel claimt dat de benadering een veelbelovende, niet-invasieve oplossing biedt voor de vroege voorspelling van cognitieve achteruitgang, wat tijdige preventieve interventies kan mogelijk maken vóór het ontstaan van Mild Cognitive Impairment (MCI) of dementie. Door een nauwkeurigheid van 80% te bereiken zonder dat dure MRI-scans of invasieve biomarker-testen vereist zijn, demonstreert de studie dat langdurige dual-task monitoring, in combinatie met geavanceerde deep learning architecturen (PPGCN en Transformer) en rigoureuze dataprocessing, conventionele klinische beoordelingstools kan overtreffen bij het voorspellen van toekomstige cognitieve trajecten. De auteurs benadrukken dat deze methode bijzonder waardevol is voor langdurige monitoring in gemeenschappen of zorginstellingen waar toegankelijkheid een primaire zorg is.

Beperkingen
De auteurs erkennen dat de primaire beperking de kleine omvang van de dataset is, wat noodzakelijk is vanwege de uitgebreide tijd die nodig is om longitudinale data te verzamelen (minimaal 2,5 jaar per sample). Hoewel data-augmentatie en resampling werden gebruikt om dit te mitigeren, stellen de auteurs dat toekomstig werk zich zal richten op het verzamelen van meer data om de aanpak verder te valideren op grotere en diversere datasets.