RU2819148C1 - Способ диагностики болезни альцгеймера - Google Patents
Способ диагностики болезни альцгеймера Download PDFInfo
- Publication number
- RU2819148C1 RU2819148C1 RU2023126743A RU2023126743A RU2819148C1 RU 2819148 C1 RU2819148 C1 RU 2819148C1 RU 2023126743 A RU2023126743 A RU 2023126743A RU 2023126743 A RU2023126743 A RU 2023126743A RU 2819148 C1 RU2819148 C1 RU 2819148C1
- Authority
- RU
- Russia
- Prior art keywords
- values
- veins
- disease
- magnetic susceptibility
- patient
- Prior art date
Links
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 210000003462 vein Anatomy 0.000 claims abstract description 31
- 210000004298 cerebral vein Anatomy 0.000 claims abstract description 30
- 210000004556 brain Anatomy 0.000 claims abstract description 26
- 210000001103 thalamus Anatomy 0.000 claims abstract description 12
- 239000002872 contrast media Substances 0.000 claims abstract description 7
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 18
- 238000011161 development Methods 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 2
- 239000003814 drug Substances 0.000 abstract 2
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 201000010099 disease Diseases 0.000 description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 13
- 230000000542 thalamic effect Effects 0.000 description 12
- 208000006673 asthma Diseases 0.000 description 10
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 8
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 8
- 229910052751 metal Inorganic materials 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 206010012289 Dementia Diseases 0.000 description 3
- 239000013060 biological fluid Substances 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 101150033922 ABCA2 gene Proteins 0.000 description 2
- 241000232219 Platanista Species 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002585 cerebral angiography Methods 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- SQGYOTSLMSWVJD-UHFFFAOYSA-N silver(1+) nitrate Chemical compound [Ag+].[O-]N(=O)=O SQGYOTSLMSWVJD-UHFFFAOYSA-N 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 210000003478 temporal lobe Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229910052688 Gadolinium Inorganic materials 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- MTCFGRXMJLQNBG-UHFFFAOYSA-N Serine Natural products OCC(N)C(O)=O MTCFGRXMJLQNBG-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 235000003704 aspartic acid Nutrition 0.000 description 1
- CKLJMWTZIZZHCS-REOHCLBHSA-N aspartic acid group Chemical group N[C@@H](CC(=O)O)C(=O)O CKLJMWTZIZZHCS-REOHCLBHSA-N 0.000 description 1
- OQFSQFPPLPISGP-UHFFFAOYSA-N beta-carboxyaspartic acid Natural products OC(=O)C(N)C(C(O)=O)C(O)=O OQFSQFPPLPISGP-UHFFFAOYSA-N 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000008822 capillary blood flow Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010968 computed tomography angiography Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 210000005153 frontal cortex Anatomy 0.000 description 1
- HZHFFEYYPYZMNU-UHFFFAOYSA-K gadodiamide Chemical compound [Gd+3].CNC(=O)CN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC(=O)NC HZHFFEYYPYZMNU-UHFFFAOYSA-K 0.000 description 1
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 1
- LGMLJQFQKXPRGA-VPVMAENOSA-K gadopentetate dimeglumine Chemical compound [Gd+3].CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.OC(=O)CN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC(O)=O)CC([O-])=O LGMLJQFQKXPRGA-VPVMAENOSA-K 0.000 description 1
- HBEAOBRDTOXWRZ-UHFFFAOYSA-K gadoversetamide Chemical compound [Gd+3].COCCNC(=O)CN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC(=O)NCCOC HBEAOBRDTOXWRZ-UHFFFAOYSA-K 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- NTHXOOBQLCIOLC-UHFFFAOYSA-N iohexol Chemical compound OCC(O)CN(C(=O)C)C1=C(I)C(C(=O)NCC(O)CO)=C(I)C(C(=O)NCC(O)CO)=C1I NTHXOOBQLCIOLC-UHFFFAOYSA-N 0.000 description 1
- 238000003771 laboratory diagnosis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000003657 middle cerebral artery Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007171 neuropathology Effects 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 230000017854 proteolysis Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 125000003607 serino group Chemical group [H]N([H])[C@]([H])(C(=O)[*])C(O[H])([H])[H] 0.000 description 1
- 229910001961 silver nitrate Inorganic materials 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Abstract
Изобретение относится к области медицины, а именно анализа медицинских данных, и может быть использовано для диагностики болезни Альцгеймера. Проводят исследование головного мозга пациента методом магнитно-резонансной томографии с введением контрастного вещества. По полученным томографическим снимкам определяют величины магнитной восприимчивости базальных вен в левом L_BV и правом R_BV полушариях головного мозга, а также вен таламуса левого L_TV и правого R_TV полушарий головного мозга. Определяют диапазоны полученных величин магнитной восприимчивости в соответствии с интервалами их категориальных значений и осуществляют кодирование полученных величин в категориальные значения магнитной восприимчивости базальных вен и вен таламуса L_BV*, R_BV*, L_TV*, R_TV*, соответственно. С помощью дискретных функциональных зависимостей переменных категориальных значений магнитной восприимчивости в матричной форме определяют значения корня принятия решений К в зависимости от матричного значения корневой матрицы, полученного по алгоритму, согласно которому в случае если К принимает значение CON, то пациент не болен болезнью Альцгеймера, если К принимает значение AD, то пациент болен болезнью Альцгеймера, и если К имеет значение CON/AD, то принимают решение о дополнительном обследовании пациента. Способ обеспечивает создание способа диагностики болезни Альцгеймера на любых стадиях ее развития, т.е. на доклинической фазе, на этапе постановки предварительного диагноза или на этапе постановки окончательного диагноза, когда развитие болезни Альцгеймера можно замедлить или предотвратить, за счет формирования корня решений с использованием категориальных значений магнитной восприимчивости базальных вен и вен таламуса головного мозга пациента, 4 ил., 1 пр.
Description
Изобретение относится к области анализа медицинских данных и предназначено для поддержки врачебных решений при постановке диагноза о наличии или отсутствии у пациента болезни Альцгеймера с высокой достоверностью.
Известно, что нейродегенеративные заболевания, такие как болезнь Альцгеймера (БА), трудно поддаются точной диагностике, особенно на ранних стадиях заболевания. Исследования последних 20 лет отмечают, что все больше людей подвержены болезням, связанным с головным мозгом, в том числе и БА. По данным 2020 года во всем мире насчитывается около 50 млн человек во всем мире, страдающих БА, в 2015 году было около 33,9 млн человек, в 2008 году число больных было менее 30 млн человек. Данные цифры указывают на стремительную прогрессивность данной болезни. Как показывают исследования распространенность данной болезни, как ожидается, утроится в течение следующих 40 лет (Gaugler J., James B., Marin A., Alzheimer's Association. 2019 Alzheimer's disease facts and figures //Alzheimer's & dementia. - 2019. - Т. 15. - №. 3. - С. 321-387). Не смотря на возможность выявления людей, генетически подверженных развитию БА, чаще всего предварительный диагноз ставится уже на стадии, когда нарушения когнитивных способностей человека становятся очевидными для клинических специалистов.
На данный момент существуют различные методики выявления БА, которые справляются с постановкой диагноза, однако появляется всё больше исследований и доказательств того, что БА может начаться задолго до возможности проведения какой-либо из существующих методов диагностики. Прогрессирование БА происходит постепенно, стадии её развития делят на 4 категории:
- предеменция;
- ранняя деменция;
- умеренная деменция;
- тяжелая деменция (Парфенов В.А., Захаров В.В., Преображенская И.С. Когнитивные расстройства. М.: Ремедиум, 2014).
Из-за отсутствия в настоящее время доступной терапии для предотвращения БА раннее выявление заболевания по-прежнему имеет первостепенное значение для отсрочки начала заболевания.
Известен способ диагностирования болезни Альцгеймера с помощью тестирования ДНК исследуемого индивида с целью определения полиморфизма rs 908832 в гене АВСА2 (RU 2380423 , опубл. 27.01.20210).
Один из главных недостатков данного способа состоит в том, что полиморфизм rs 908832 не является полностью предсказуемым для этой болезни, т.к. наличие или отсутствие данного полиморфизма не может с достоверностью показать развивается ли у индивида БА или нет. Другим недостатком такого прогноза является его ограниченность. Тестирование только одного полиморфизма не учитывает ряд других генетических и не генетических факторов, которые могут влиять на развитие заболевания. БА имеет сложную мультифакторную природу, и несколько геномных вариаций могут быть вовлечены в ее развитие. Кроме того, тестирование ДНК для определения полиморфизма rs 908832 в гене АВСА2 требует дорогостоящего и сложного генетического анализа, что делает его недоступным для широкого применения в клинической практике. Это ограничивает его эффективность при попытке определить риск развития БА на популяционном уровне или в общей медицинской практике.
Известен способ выявления БА с помощью исследования коры головного мозга. ( RU 2169366 , опубл. 20.06.2001).
В данном способе диагностики исследуют биоптаты теменной, височной и лобной коры головного мозга, окрашивают их азотнокислым серебром, в препаратах определяют ядрышки нейронов, в которых отсутствуют аргентофильные гранулы (Ag-гранулы), и при их количестве не менее 20% диагностируют БА.
Основным недостатком данного способа является необходимость взятия образца ткани пациента, что может являться рискованным и отталкивающим фактором для пациента. Также проведение исследования требует высокой квалификации и опыта в области нейропатологии, такое исследование может быть проведено только специализированными медицинскими центрами, что требует значительных финансовых затрат.
Также известен способ комплексной лучевой диагностики доклинических и клинических стадий БА (RU 2315559, опубл. 27.01.2008), согласно которому проводится компьютерная томография головного мозга, после чего с помощью определенных расчетов определяют объемы массы правой и левой височных долей головного мозга, затем в условиях рентгеноперационной пациенту проводят по классической методике полипроекционную ангиографию головного мозга. При наличии уменьшения объема ткани височных долей головного мозга, а также крупного петлеобразования, множественных артерио-венозных шунтов в периферических отделах передних и средних мозговых артерий, питающих лобно-теменные отделы коры головного мозга, а также в передних ворсинчатых артериях, питающих височные отделы головного мозга, сочетающихся с редукцией капиллярного кровотока в этих отделах и образованием «капиллярных кратеров» и гиповаскулярных зон, наличием редукции венозных синусов в лобных отделах с образованием дополнительных аномальных венозных ветвей и развитием венозного застоя в лобно-теменных отделах головного мозга свидетельствуют о развитии болезни Альцгеймера.
Главный недостаток данного способа заключается в необходимости проведения двух исследований: компьютерная томография и ангиография головного мозга, что может быть затруднительно с учетом загруженности оборудования. Также для проведения ангиографии головного мозга требуется введение катетера в крупную артерию, что может вызвать некоторые риски, включая кровотечения, инфекции и аллергические реакции на использованный в данном способе контрастное вещество (Омнипак 350). В данной работе авторы также указывают, что в каждом из исследований требуется детальное рассмотрение снимков и достаточно много расчетов определенных параметров, производимых врачом, что повышает вероятность погрешности и недостаточной точности способа.
Известен способ диагностики БА на основе определения относительного содержания химически модифицированных форм металлсвязывающего домена бета-амилоида в биологических жидкостях (RU 2548759 , опубл. 20.04.2015), который является способом лабораторной диагностики БА посредством применения модифицированных по металлсвязывающему домену 1-16 форм бета-амилоида человека в качестве биомаркеров патогенеза БА. Способ характеризуется тем, что из денатурированного образца биологической жидкости, а именно крови, мочи, цереброспинальной жидкости, последовательно выделяют общую пептидную фракцию, затем фракцию бета-амилоида и, наконец, после направленного протеолиза фракцию фрагментов 1-16 бета-амилоида с ее последующим анализом. При обнаружении в образце биологической жидкости, модифицированной по металлсвязывающему домену формы бета-амилоида, изомеризованной по аспарагиновой кислоте в положении 7, при ее относительном содержании более 5% от общего количества фракции 1-16 бета-амилоида и/или при обнаружении модифицированной по металлсвязывающему домену формы бета-амилоида, фосфорилированной по серину в положении 8, диагностируют наличие БА.
Однако данный способ диагностики требует проведения сложных и высокотехнологичных анализов, которые могут быть дорогими и недоступными для всех медицинских учреждений. Также уровень модифицированных форм металлсвязывающего домена бета-амилоида может меняться со временем или быть подвержен влиянию других факторов, таких как возраст, пол, наличие других заболеваний и так далее, что может повлиять на точность и надежность диагностики.
Несмотря на то, что рассмотренные способы имеют ряд своих преимуществ, они в целом не учитывают возможность более позднего обнаружения заболевания, а также некоторые из них являются достаточно дорогостоящими для пациента. Таким образом остро встает проблема в необходимости создания усовершенствованного способа быстрого и достаточного точного обследования пациентов с обеспечением выявления БА на различных этапах: на доклинической фазе, на этапе постановки предварительного диагноза и на этапе постановки окончательного диагноза, когда развитие БА ещё можно замедлить или предотвратить.
Техническая задача - необходимость выявления патологических отклонений, связанных как с ранней, так и с поздней диагностикой развития БА у пациента.
Технический результат - создание способа диагностики БА на любых стадиях ее развития, т.е. на доклинической фазе, на этапе постановки предварительного диагноза или на этапе постановки окончательного диагноза, когда развитие БА ещё можно замедлить или предотвратить, путем формирования корня решений с использованием категориальных значений магнитной восприимчивости базальных вен и вен таламуса головного мозга пациента.
Технический результат достигается тем, что способ диагностики болезни Альцгеймера включает проведение исследования головного мозга пациента методом магнитно-резонансной томографии с введением контрастного вещества, далее по полученным томографическим снимкам определяют величины магнитной восприимчивости базальных вен в левом L_BV и правом R_BV полушариях головного мозга , а также вен таламуса левого L_TV и правого R_TV полушарий головного мозга, затем определяют диапазоны полученных величин магнитной восприимчивости в соответствии с интервалами их категориальных значений и осуществляют кодирование полученных величин в категориальные значения магнитной восприимчивости базальных вен и вен таламуса L_BV*, R_BV*, L_TV*, R_TV*, соответственно, затем с помощью дискретных функциональных зависимостей переменных категориальных значений магнитной восприимчивости в матричной форме определяют значения корня принятия решений К в зависимости от матричного значения корневой матрицы, полученного по алгоритму, согласно которому в случае, если К принимает значение CON, то пациент не болен болезнью Альцгеймера, если К принимает значение AD, то пациент болен болезнью Альцгеймера, и если К имеет значение CON/AD, то принимают решение о дополнительном обследовании пациента.
Вышеперечисленные операции позволяют в конечном счете получить корень К принятия решений, содержащий в себе закодированный набор данных. К принимает одно из значений, соответствующих постановке диагноза, с использованием значений магнитной восприимчивости четырех вен головного мозга, наиболее важных для определения БА на любой стадии заболевания.
Окончательное решение в постановке диагноза принимает врач, поскольку корень принятия К решений носит вероятностный характер, и его достоверность составляет 78%.
Изобретение проиллюстрировано следующими фигурами.
На фиг.1 представлены томографические снимки вен головного мозга, где на изображениях 1D-1F показаны три непрерывных среза с выделением вен таламуса, а на изображениях 1G-1I три непрерывных среза с выделением базальных вен
На фиг.2 представлена таблица, согласно которой проводят кодирование значений магнитной восприимчивости исследуемых вен, т.е. определение их категориальных значений.
На фиг.3 показана порядок осуществления диагностирования с использованием матриц ML , MR и MS .
На фиг.4 приведен пример осуществления способа врачом - диагностом для конкретного пациента.
Заявляемый способ осуществляется следующим образом.
Пациенту проводят исследование МРТ с введением контрастного вещества. При этом концентрация контрастного вещества в крови повышается, что увеличивает сигнал МРТ в активированных участках мозга. На основании томографических снимков (фиг.1) количественно определяют величины магнитной восприимчивости следующих вен головного мозга: базальных вен левого и правого полушарий (L_BV и R_BV, соответственно), вен таламуса левого и правого полушарий (L_TV, R_TV, соответственно).
Магнитную восприимчивость вен головного мозга можно представить в категориальном виде. Категориальное представление означает, что магнитная восприимчивость вены относится к определенному интервалу значений, например, малая, средняя или высокая магнитная восприимчивость вены. Отнесение магнитной восприимчивости вен головного мозга к тому или иному интервалу (1-й,2-ой и 3-й) должна быть произведена на основе критериев, т.е. границ интервалов.
Категориальные значения записывают с помощью дискретных значений. Переход от значений магнитной восприимчивости вен головного мозга к дискретным значениям, соответствующим определённым категориальным значениям, выполняют с помощью таблицы кодирования (фиг.2). Осуществляют кодирование полученных величин в категориальные значения магнитной восприимчивости L_BV*, R_BV*, L_TV* и R_TV*, соответственно, и формирование указанной таблицы кодирования.
Предлагаемый способ использует дискретную функцию четырех переменных, представленной в виде суперпозиции трех функций двух переменных. Особенностью дискретной функции нескольких переменных, представленной в виде суперпозиции функций двух переменных, является возможность ее представления в графическом виде, поскольку последовательность операций над переменными можно изобразить в виде ориентированного графа - дерева критериев, а каждую дискретную функцию двух переменных можно представить в матричной форме (Alekseev, A. Identification of Integrated Rating Mechanisms with Non-serial Structures of Criteria Tree / A. Alekseev // Proceedings of 2021 3nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, SUMMA 2021, Virtual, Lipetsk, 10-12 November 2021. - IEEE, 2021. - P. 599-603. - DOI 10.1109/SUMMA53307.2021.9632221.).
Графически функция представляет собой сочетание бинарного дерева критериев и матриц свертки, расположенных в его узлах. Такие функции называются механизмами комплексного оценивания (Бурков, В.Н. Метод синтеза системы комплексного оценивания / В.Н. Бурков, И.В. Буркова, А.В. Щепкин // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». - 2020. -Т. 20, № 4. - С. 63-73. DOI: 10.14529МСГ200407) или корнями принятия решений (Коргин Н.А., Сергеев В.А. Лекция Коргина Н.А. для студентов ДВФУ по корням принятия решений / Лаборатория № 57 «Активных систем» ИПУ РАН. - Москва, 2021. - (1 ч 44 мин). - URL: https://youtu.be/b4dF7znmVyo (дата обращения: 19.10.2022). - Дата публикации: 16.11.2021. - Режим доступа: Лаборатория 57 ИПУ РАН // YouTube, свободный.).
Корень принятия решений для диагностики БА определен авторами и описан в исследовании (Alekseev A, Kozhemyakin L, Nikitin V, Bolshakova J. Data Preprocessing and Neural Network Architecture Selection Algorithms in Cases of Limited Training Sets-On an Example of Diagnosing Alzheimer’s Disease. Algorithms. 2023; 16(5):219. https://doi.org/10.3390/a16050219).
В качестве переменных функции использованы категориальные значения магнитной восприимчивости вен таламуса и базальных вен в левом и правом полушариях. Функция принимает три возможных значения: AD (от англ. Alzheimer’s Disease), что интерпретируется - пациент относится к группе больных, CON - пациент не болен, CON / AD - имеется неопределенность.
Корень принятия решений для диагностики БА, использованный в заявляемом решении, отличается от известных (Источник 1 :Кожемякин, Л.В. Применение корней принятия решений для определения взаимосвязи между магнитной восприимчивостью вен головного мозга и наличием болезни Альцгеймера / Л.В. Кожемякин, В.Н. Никитин, А.О. Алексеев // Управление большими системами : труды XVIII Всероссийской школы-конференции молодых ученых, Челябинск, 05-08 сентября 2022 года / Министерство науки и высшего образования Российской Федерации Южно-Уральский государственный университет Институт проблем управления им. В.А. Трапезникова Российской академии наук. - Челябинск: Издательский центр ЮУрГУ, 2022. - С. 318-324. - EDN CAJUES.
Источник 2: Kozhemyakin, L. V. Application of Decisions' Roots for Data Analysis on Example of Dataset with Magnetic Susceptibility Values of the Brain Veins and the Alzheimer's Disease / L. V. Kozhemyakin, A. O. Alekseev, V. N. Nikitin // Proceedings of 2022 4th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, SUMMA 2022, Virtual, Lipetsk, 09-11 November 2022. - IEEE, 2022. - P. 425-427. - DOI 10.1109/SUMMA57301.2022.9973977.).
В приведенных выше двух источниках авторами обнаружена ошибка в опубликованных корнях принятия решений, поэтому они (корни) использоваться для диагностики БА не могут, в отличие от корня принятия решений, приведенного на фиг. 3. Здесь и далее матрицы свертки, расположенные в узлах дерева критериев, обозначены буквой M (от англ. Matrix). Верхний индекс обозначает какую область мозга описывает матрица (от англ. L - left hemisphere (левое полушарие), R - right hemisphere (правое полушарие).Таким образом, ML - матричное представление функции, зависящей от категориальных значений магнитной восприимчивости базальной вены и вены таламуса в левом полушарии, MR - матричное представление функции, зависящей от категориальных значений магнитной восприимчивости базальной вены и вены таламуса в правом полушарии, MS - матричное представление функции, описывающей оба полушария вместе, т.е. зависящей от категориальных значений функций ML и MR.
Элементы матриц ML , MR и MS определены и описаны авторами ( Alekseev A, Kozhemyakin L, Nikitin V, Bolshakova J. Data Preprocessing and Neural Network Architecture Selection Algorithms in Cases of Limited Training Sets-On an Example of Diagnosing Alzheimer’s Disease. Algorithms. 2023; 16(5):219. https://doi.org/10.3390/a16050219).
Одной из операций заявленного способа является преобразование дискретных функциональных зависимостей переменных категориальных значений магнитной восприимчивости в матричную форму. Внешний вид матриц представлен на фиг.3.
Категориальное значение базальной вены в левом полушарии L_BV* отвечает за выбор строки в матрице ML. Выбирают первую строку, если значение магнитной восприимчивости базальной вены в левом полушарии L_BV не больше величины 210,0, третью строку выбирают, если значение магнитной восприимчивости базальной вены в левом полушарии L_BV выше 267,0, а вторую строку выбирают в остальных случаях.
Далее рассматривают категориальное значение магнитной восприимчивости вены таламуса в левом полушарии L_TV*. Для кодирования используют также три интервала, которые определяют столбец в матрице ML. Первый столбец выбирают, если значение магнитной восприимчивости вены таламуса в левом полушарии L_TV не больше 183,3, третий столбец выбирают если значение магнитной восприимчивости вены таламуса в левом полушарии L_TV выше 235,7, второй столбец - в остальных случаях.
Далее на пересечении полученных строки и столбца определяют числовое значение, которое является номером строки в корневой матрице MS (фиг. 3).
Аналогично работают с категориальными значениями магнитной восприимчивости базальной вены правого полушария R_BV* (матрица MR).
Первую строку выбирают, если значение магнитной восприимчивости базальной вены в правом полушарии R_BV не больше 228,3, третью строку выбирают, если значение магнитной восприимчивости базальной вены в правом полушарии R_BV выше 292,7, вторую строку - в остальных случаях.
Первый столбец в матрице MR выбирают, если значение магнитной восприимчивости вены таламуса в левом полушарии R_TV не больше 168,0, третий столбец выбирают, если значение магнитной восприимчивости вены таламуса в левом полушарии R_TV выше 227,0, второй столбец - в остальных случаях.
После определения номера строки и столбца матрицы MR на их пересечении определяют числовое значение, которое обозначает столбец в матрице MS (фиг. 3).
Таким образом с помощью полученных числовых значений матриц ML и MR определяют номер строки и номер столбца в корневой матрице MS (фиг 3), которые содержит итоговое значение функции.
Далее ставят диагноз или принимают решение о дополнительном обследовании пациента в значимости от матричного значения, полученного в корневой матрице MS, т.е. в случае, если К принимает значение CON, то пациент не болен БА, если К принимает значение AD, то пациент болен БА, и если К принимает значение CON/ AD, то однозначно утверждать наличие или отсутствие болезни нельзя, поэтому требуется дополнительные исследования и применение иных известных методов диагностирования заболевания.
Следует отметить, что из 81 варианта всего лишь 4 сочетания категориальных значений магнитной восприимчивости базальных вен и вен таламуса левого и правого полушарий мозга L_BV*, R_BV*, L_TV* и R_TV*, соответственно, будут приводить к результату CON / AD. Это означает, что только в 5% случаев потребуются дополнительные исследования, соответственно в 95% случаев диагноз будет поставлен с помощью корня принятия решений.
На фиг. 4 представлена диагностическая карта пациента N, которая иллюстрирует графическое определение значения используемой в способе корня принятия решений К. Диагностическая карта содержит таблицу кодирования и корень принятия решений для диагностики БА.
Врач может напечатать диагностическую карту на листке бумаге (или ином материале) и с помощью любого пишущего предмета (ручка, карандаш и т.п.) может записать числовые значения магнитной восприимчивости базальной вены и вены таламуса в левом и правом полушариях, затем по таблице кодирования выбрать дискретные значения, соответствующие категориальным значениям магнитной восприимчивости базальной вены и вены таламуса в левом и правом полушариях. Далее врач обводит элементы матриц ML и MR, расположенные на пересечении строк и столбцов, соответствующих категориальным значениям магнитной восприимчивости вены таламуса и базальной вены в левом и правом полушариях, соответственно.
По расположенным в обведенных элементах матриц ML и MR значениям врач определяет номер строки (из матрицы ML) и номер столбца (из матрицы MR), на пересечении которых в матрице MS содержится искомое значение функции. Врач определяет необходимо ли дополнительное обследование. Если дополнительное обследование требуется, то врач ставит диагноз с учетом результатов дополнительного обследования. Если корень принятия решений принимает одно из значений, соответствующих постановке диагноза, то врач ставит диагноз с учётом критерия диагностики. Окончательное решение в постановке диагноза принимает врач.
Пример
Пациент N прошел МРТ исследование. В кровь пациента было введено одно из используемых в России контрастных веществ, содержащих гадолиний - Оптимарк (OptiMARK), Магневист (Bayer) или Омнискан (GE Healhcare).
Томографические снимки представлены на фиг.1. Значения магнитной восприимчивости следующих вен головного мозга: левой и правой базальных вен (L_BV и R_BV, соответственно), левой и правой вен таламуса (L_TV, R_TV, соответственно) были рассчитаны по методике (Liu, Y.; Dong, J.; Song, Q.; Zhang, N.; Wang, W.; Gao, B.; Tian, S.; Dong, C.; Liang, Z.; Xie, L.; et al. Correlation between cerebral venous oxygen level and cognitive status in patients with Alzheimer’s disease using quantitative susceptibility mapping. Front. Neurosci. 2021, 14, 570848).
Полученные величины магнитной восприимчивости базальной вены и вены таламуса пациента имели следующие значения: L_BV - 279, R_BV - 288, L_TV - 140, R_TV - 138.
С помощью таблицы, представленной в фиг. 2, были определены интервальные значения магнитной восприимчивости: L_BV - третий интервал (L_BV*=3), R_BV - второй интервал (R_BV*=2), L_TV - первый интервал (L_TV*=1), R_TV - первый интервал (R_TV*=1).
В матрице ML (фиг.3,4) было выбрано числовое значение в третьей строке (L_BV*=3), первом столбце (L_TV*=1), что соответствует числовому значению 4. В матрице MR выбрано числовое значение во второй строке (R_BV*=2), первом столбце (R_TV*=1), что соответствует числовому значению 1.
Таким образом получен результат, соответствующий значению, расположенному в четвертой строке и первом столбце матрицы MS, что соответствует значению AD и свидетельствует о том, что пациенту диагностировано заболевание БА (фиг.4).
Claims (1)
- Способ диагностики болезни Альцгеймера, включающий проведение исследования головного мозга пациента методом магнитно-резонансной томографии с введением контрастного вещества, отличающийся тем, что по полученным томографическим снимкам определяют величины магнитной восприимчивости базальных вен в левом L_BV и правом R_BV полушариях головного мозга, а также вен таламуса левого L_TV и правого R_TV полушарий головного мозга, затем определяют диапазоны полученных величин магнитной восприимчивости в соответствии с интервалами их категориальных значений и осуществляют кодирование полученных величин в категориальные значения магнитной восприимчивости базальных вен и вен таламуса L_BV*, R_BV*, L_TV*, R_TV*, соответственно, затем с помощью дискретных функциональных зависимостей переменных категориальных значений магнитной восприимчивости в матричной форме определяют значения корня принятия решений К в зависимости от матричного значения корневой матрицы, полученного по алгоритму, согласно которому в случае если К принимает значение CON, то пациент не болен болезнью Альцгеймера, если К принимает значение AD, то пациент болен болезнью Альцгеймера, и если К имеет значение CON/AD, то принимают решение о дополнительном обследовании пациента.
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2819148C1 true RU2819148C1 (ru) | 2024-05-14 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2306102C1 (ru) * | 2006-10-13 | 2007-09-20 | Иван Васильевич Максимович | Способ определения размера височных долей головного мозга при болезни альцгеймера |
| RU2315559C1 (ru) * | 2006-10-13 | 2008-01-27 | Иван Васильевич Максимович | Способ комплексной лучевой диагностики доклинических и клинических стадий болезни альцгеймера |
| WO2018064715A1 (en) * | 2016-10-03 | 2018-04-12 | Crc For Mental Health Ltd | Method for predicting or diagnosing cognitive deterioration |
| WO2018176082A1 (en) * | 2017-03-28 | 2018-10-04 | Crc For Mental Health Ltd | Predicting progression of cognitive deterioration |
| US10746822B2 (en) * | 2015-06-24 | 2020-08-18 | The Medical College Of Wisconsin, Inc. | System and method for localized processing of quantitative susceptibility maps in magnetic resonance imaging |
| US20220273184A1 (en) * | 2019-08-20 | 2022-09-01 | Terran Biosciences, Inc. | Neuromelanin-sensitive mri for assessing parkinson's disease |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2306102C1 (ru) * | 2006-10-13 | 2007-09-20 | Иван Васильевич Максимович | Способ определения размера височных долей головного мозга при болезни альцгеймера |
| RU2315559C1 (ru) * | 2006-10-13 | 2008-01-27 | Иван Васильевич Максимович | Способ комплексной лучевой диагностики доклинических и клинических стадий болезни альцгеймера |
| US10746822B2 (en) * | 2015-06-24 | 2020-08-18 | The Medical College Of Wisconsin, Inc. | System and method for localized processing of quantitative susceptibility maps in magnetic resonance imaging |
| WO2018064715A1 (en) * | 2016-10-03 | 2018-04-12 | Crc For Mental Health Ltd | Method for predicting or diagnosing cognitive deterioration |
| WO2018176082A1 (en) * | 2017-03-28 | 2018-10-04 | Crc For Mental Health Ltd | Predicting progression of cognitive deterioration |
| US20220273184A1 (en) * | 2019-08-20 | 2022-09-01 | Terran Biosciences, Inc. | Neuromelanin-sensitive mri for assessing parkinson's disease |
Non-Patent Citations (1)
| Title |
|---|
| КОЖЕМЯКИН Л. В. и др. Применение корней принятия решений для определения взаимосвязи между магнитной восприимчивостью вен головного мозга и наличием болезни Альцгеймера. Управление большими системами : труды XVIII Всероссийской школы-конференции молодых ученых, Челябинск, 05-08 сентября 2022 года. Министерство науки и высшего образования Российской Федерации Южно-Уральский государственный университет Институт проблем управления им. В.А. Трапезникова Российской академии наук. - Челябинск: Издательский центр ЮУрГУ, 2022. - С. 318-324. SOUNDARYA S. et al. Early detection of Alzheimer disease using Gadolinium material. Materials Today: Proceedings. 2021, Volume 45, Part 2, https://doi.org/10.1016/j.matpr.2020.03.189. CAVALLIN L. et al. Can Dynamic Susceptibility Contrast Magnetic Resonance Imaging Replace Single-Photon Emission Computed Tomography in the Diagnosis of Patients with Alzheimer's Disease? A Pilot Study. Acta Radiologica. 2006, 47:9, 977-985. NIKPARAST F. et al. Brain pathologi * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lombardi et al. | Structural magnetic resonance imaging for the early diagnosis of dementia due to Alzheimer's disease in people with mild cognitive impairment | |
| Dai et al. | Deep learning for automated cerebral aneurysm detection on computed tomography images | |
| Graydon et al. | Information needs of women during early treatment for breast cancer | |
| Siehl et al. | Structural white matter changes in adults and children with posttraumatic stress disorder: a systematic review and meta-analysis | |
| Aguilar et al. | Different multivariate techniques for automated classification of MRI data in Alzheimer’s disease and mild cognitive impairment | |
| Wei et al. | Understanding artificial neural networks and exploring their potential applications for the practicing urologist | |
| Flehinger et al. | The natural history of lung cancer in a periodically screened population | |
| EP2435940B1 (en) | A method and device for side-effect prognosis and monitoring | |
| Churchill et al. | Brain function associated with reaction time after sport-related concussion | |
| Pan et al. | Structural disconnection-based prediction of poststroke depression | |
| Wei et al. | Applying dimensional psychopathology: Transdiagnostic prediction of executive cognition using brain connectivity and inflammatory biomarkers | |
| Alves et al. | Diagnosis of autism spectrum disorder based on functional brain networks and machine learning | |
| Cetin-Karayumak et al. | Characterization of the extracellular free water signal in schizophrenia using multi-site diffusion MRI harmonization | |
| Hernandez-Ronquillo et al. | Diagnostic accuracy of ambulatory EEG vs routine EEG in patients with first single unprovoked seizure | |
| KR20210059272A (ko) | 자기공명 뇌영상 분석을 통한 청년기 우울증 및 고위험군 예측 기계학습 알고리즘 | |
| Moustafa et al. | A longitudinal study using latent curve models of groups with mild cognitive impairment and Alzheimer’s disease | |
| RU2819148C1 (ru) | Способ диагностики болезни альцгеймера | |
| Verma et al. | An insight into the role of artificial intelligence in the early diagnosis of Alzheimer’s disease | |
| Pokala et al. | Analysis and Comparison for Prediction of Diabetic among Pregnant Women using Innovative Support Vector Machine Algorithm over Random Forest Algorithm with Improved Accuracy | |
| Noh et al. | Integrity of arcuate fasciculus is a good predictor of language impairment after subcortical stroke | |
| Katona et al. | The dexamethasone suppression test and prediction of outcome in patients receiving ECT | |
| RU2733077C1 (ru) | Способ диагностики острого коронарного синдрома | |
| Belal et al. | Evaluation of cerebrospinal fluid flow dynamic changes in patients with idiopathic intracranial hypertension using phase contrast cine MR imaging | |
| Litvan et al. | What can artificial neural networks teach us about neurodegenerative disorders with extrapyramidal features? | |
| Liu et al. | The signs of computer tomography combined with artificial intelligence can indicate the correlation between status of consciousness and primary brainstem hemorrhage of patients |