Automatisierte Schätzung des biologischen Gehirnalters auf Grundlage von klinischen CT-Datensätzen mittels maschinellen Lernens

Abstract

Das Konzept des Biologischen Alters wird in der Literatur als wichtiger Prognosemarker diskutiert. So konnte gezeigt werden, dass ein höheres geschätztes biologisches Gehirnalter beispielsweise mit neurodegenerativen Erkrankungen assoziiert ist. Die Erfassung des Biologischen Alters eines Menschen ist herausfordernd, weshalb verlässliche Indikatoren für eine genaue Einschätzung benötigt werden. Altersschätzungen von Modellen des Maschinellen Lernens, die auf Bildgebungsdaten gesunder Kohorten trainiert wurden, können zu diesem Zweck als Bildgebungs-Biomarker eingesetzt werden. Allerdings wurde das Biologische Gehirnalter vorwiegend im Forschungskontext untersucht, wobei vor allem MRT-Datensätze basierend auf standardisierten Studien verwendet wurden. Die Ergebnisse sind also nicht direkt auf die klinische Realität übertragbar. In dieser Arbeit wurde daher die automatisierte Schätzung des Gehirnalters auf CT-Bildgebungsdaten, die im Rahmen der klinischen Routine erzeugt wurden, mittels Methoden des Maschinellen Lernens durchgeführt. Als Grundlage diente ein Datensatz von 2021 Patienten im Alter zwischen 20 und 85 Jahren, die zwischen 2010 und 2019 ein axiales Weichteil-CT des Gehirns im Schockraum der Universitätsklinik Tübingen erhalten hatten, welches als unauffällig bewertet wurde. Ein Feature-basierter und ein Deep Learning-Ansatz wurden verfolgt. Im Rahmen des Feature-basierten Ansatzes wurden die Volumina von 127 Gehirnregionen automatisiert vermessen. Auf Basis der volumetrischen Daten wurden ein Ridge Regression und ein Support Vector Regression Modell mittels 5-fold-Cross-Validation für die Gehirnaltersschätzung trainiert und validiert. Die Modelle wurden auf einem ungesehenen Testdatensatz getestet und die Modell-Parameter ausgelesen. Im Deep Learning-Ansatz wurden Convolutional Neural Networks für die CT-basierte Gehirnaltersschätzung implementiert, trainiert und validiert. Es kam zur Konvergenz auf dem Trainings- und Validierungsdatensatz. Die trainierten Modelle wurden auf einem zuvor ungesehenen Testdatensatz getestet. Visuelle Erklärungen wurden mittels Grad-CAM Saliency Maps erzeugt. Es zeigte sich ein Mean Average Error (MAE) von 9,8 Jahren im Ridge Regression Modell und ein MAE von 8,3 Jahren im Support Vector Regression Modell. Das Liquorvolumen stellte den stärksten Prädiktor für ein höheres Patientenalter dar. Im Deep Learning-Ansatz konnten signifikant bessere Altersschätzungen erreicht werden, wobei das beste trainierte Modell einen MAE von 5,72 Jahren aufwies. Die Genauigkeit der CT-basierten Altersschätzung war in allen Altersgruppen und zwischen männlichen und weiblichen Patienten weitgehend einheitlich. Vor allem zeigten die Akquisitionsparameter keinen signifikanten Einfluss auf die Genauigkeit der Altersschätzung. In den erzeugten Saliency Maps stellten sich zuverlässig Regionen um das Vorderhorn des linken Seitenventrikels sowie am Hinterhorn des rechten Seitenventrikels als von hoher Bedeutung für die Altersschätzung dar. In dieser Arbeit konnte ich zeigen, dass mittels heterogener, klinisch erzeugter CT-Bildgebungsdaten eine hinreichend genaue Schätzung des Patientenalters erreicht werden kann. Die dargelegte Methodik kann in Zukunft nach weiterer Erforschung und klinischer Erprobung zur Unterstützung bei Entscheidungen von Diagnostik, Therapie und Nachsorge genutzt werden.