nach oben

Der Nervenarzt

Erschienen in:

03.08.2018 | Magnetresonanztomografie | Leitthema

„Big Data“ und künstliche Intelligenz zur Diagnoseunterstützung bei atypischer Demenz

verfasst von: Dr. K. Egger, M. Rijntjes

Erschienen in: Der Nervenarzt | Ausgabe 8/2018

Einloggen, um Zugang zu erhalten

Zusammenfassung

Die Differenzialdiagnose bei atypischer Demenz ist schwierig. Bildgebend diagnostisch stellt die Positronenemissionstomographie (PET) immer noch den Goldstandard dar. Laut der aktuellen Studienlage ist jedoch die Magnetresonanztomographie (MRT) unter Verwendung neuer Big-Data- und „Machine-learning“-Methoden dem Fluordesoxyglucose(FDG)-PET nahezu ebenbürtig. Bei atypischen Fällen, speziell bei jüngeren Patienten und zur Verlaufskontrolle, ist somit das MRT der Computertomographie (CT) vorzuziehen. In der klinischen Routine anwendbare, effiziente MRT-Verfahren sind z. B. die automatisierte Volumetrie anatomischer 3‑D-Sequenzen sowie eine neue MRT-Perfusionsmethode ohne Kontrastmittelgabe, namens „arterial spin labelling“ (ASL). Nicht zuletzt aufgrund der rasch wachsenden Biomarker-Datenmenge besteht die Notwendigkeit computergestützter Big-Data-Analysen und künstlicher Intelligenz. Nur durch eine schnelle Analyse der vielfältigen und rasch zunehmenden Menge an klinischen, bildgebenden, epidemiologischen, molekulargenetischen, aber auch ökonomischen Daten kann neues Wissen zur Krankheitsentstehung, Prävention und Therapie generiert werden. Wesentliche Voraussetzungen für eine flächendeckende Etablierung vielversprechender Analysemethoden sind jedoch die allgemeine technische Verfügbarkeit, die qualitativ hochwertige Homogenisierung der zugrunde liegenden Daten und die Verfügbarkeit großer Vergleichsdatenmengen.

Adler CH, Dugger BN, Hentz JG et al (2017) Peripheral synucleinopathy in early Parkinson’s disease: submandibular gland needle biopsy findings. Mov Disord 32:722–723. https://doi.org/10.1002/mds.27044 CrossRefPubMed

Becktepe J, Gövert F, Deuschl G (2017) Übergreifende Konzepte der Neurodegeneration. Aktuelle Neurol 44:19–26. https://doi.org/10.1055/s-0042-123500 CrossRef

Berg D, Postuma RB, Adler CH et al (2015) MDS research criteria for prodromal Parkinson’s disease. Mov Disord 30:1600–1611. https://doi.org/10.1002/mds.26431 (MDS criteria for prodromal PD)CrossRefPubMed

Breiman L, Friedman J, Stone JA, Olshen RA (1998) Classification and regression trees. Chapman & Hall [u. a.], Boca Raton (Repr.)

Butcher NJ, Merico D, Zarrei M et al (2017) Whole-genome sequencing suggests mechanisms for 22q11.2 deletion-associated Parkinson’s disease. PLoS ONE 12:e173944. https://doi.org/10.1371/journal.pone.0173944 CrossRefPubMedPubMedCentral

Caminiti SP, Ballarini T, Sala A et al (2018) FDG-PET and CSF biomarker accuracy in prediction of conversion to different dementias in a large multicentre MCI cohort. Neuroimage Clin 18:167–177. https://doi.org/10.1016/j.nicl.2018.01.019 CrossRefPubMedPubMedCentral

Davids M, Zöllner FG, Ruttorf M et al (2014) Fully-automated quality assurance in multi-center studies using MRI phantom measurements. Magn Reson Imaging 32:771–780. https://doi.org/10.1016/j.mri.2014.01.017 CrossRefPubMed

Donadio V, Incensi A, Leta V et al (2014) Skin nerve-synuclein deposits: a biomarker for idiopathic Parkinson disease. Neurology 82:1362–1369. https://doi.org/10.1212/WNL.0000000000000316 CrossRefPubMed

Doppler K, Jentschke H‑M, Schulmeyer L et al (2017) Dermal phospho-alpha-synuclein deposits confirm REM sleep behaviour disorder as prodromal Parkinson’s disease. Acta Neuropathol 133:535–545. https://doi.org/10.1007/s00401-017-1684-z CrossRefPubMedPubMedCentral

10.

Egger K, Yang S, Klöppel S (2018) Automated voxel- and region-based analysis of gray matter and cerebrospinal fluid space in primary dementia disorders. Unter Begutachtung

11.

Fagan AM, Roe CM, Xiong C et al (2007) Cerebrospinal fluid tau/β-amyloid42 ratio as a prediction of cognitive decline in Nondemented older adults. Arch Neurol 64:343. https://doi.org/10.1001/archneur.64.3.noc60123 CrossRefPubMed

12.

Fällmar D, Haller S, Lilja J et al (2017) Arterial spin labeling-based Z‑maps have high specificity and positive predictive value for neurodegenerative dementia compared to FDG-PET. Eur Radiol. https://doi.org/10.1007/s00330-017-4784-1 PubMedPubMedCentralCrossRef

13.

Fereshtehnejad S‑M, Montplaisir JY, Pelletier A et al (2017) Validation of the MDS research criteria for prodromal Parkinson’s disease: Longitudinal assessment in a REM sleep behavior disorder (RBD) cohort. Mov Disord 32:865–873. https://doi.org/10.1002/mds.26989 (Validation of the MDS Prodromal Parkinson Research Criteria)CrossRefPubMed

14.

Grade M, Hernandez Tamames JA, Pizzini FB et al (2015) A neuroradiologist’s guide to arterial spin labeling MRI in clinical practice. Neuroradiology 57:1181–1202. https://doi.org/10.1007/s00234-015-1571-z CrossRefPubMedPubMedCentral

15.

Guerreiro R, Ross OA, Kun-Rodrigues C et al (2018) Investigating the genetic architecture of dementia with Lewy bodies: a two-stage genome-wide association study. Lancet Neurol 17:64–74. https://doi.org/10.1016/S1474-4422(17)30400-3 CrossRefPubMed

16.

Harper L, Fumagalli GG, Barkhof F et al (2016) MRI visual rating scales in the diagnosis of dementia: evaluation in 184 post-mortem confirmed cases. Brain 139:1211–1225. https://doi.org/10.1093/brain/aww005 CrossRefPubMedPubMedCentral

17.

Hellwig S, Amtage F, Kreft A et al (2012) ¹⁸F]FDG-PET is superior to [¹²³I]IBZM-SPECT for the differential diagnosis of parkinsonism. Neurology 79:1314–1322. https://doi.org/10.1212/WNL.0b013e31826c1b0a CrossRefPubMed

18.

Höglinger GU, Respondek G, Stamelou M et al (2017) Clinical diagnosis of progressive supranuclear palsy: The movement disorder society criteria. Mov Disord 32:853–864. https://doi.org/10.1002/mds.26987 (MDS Clinical Diagnostic Criteria for PSP)CrossRefPubMedPubMedCentral

19.

International FTD-Genomics Consortium (IFGC), Yokoyama JS, Karch CM et al (2017) Shared genetic risk between corticobasal degeneration, progressive supranuclear palsy, and frontotemporal dementia. Acta Neuropathol 133:825–837. https://doi.org/10.1007/s00401-017-1693-y CrossRef

20.

Jack CR, Therneau TM, Wiste HJ et al (2016) Transition rates between amyloid and neurodegeneration biomarker states and to dementia: a population-based, longitudinal cohort study. Lancet Neurol 15:56–64. https://doi.org/10.1016/S1474-4422(15)00323-3 CrossRefPubMed

21.

Jack CR, Wiste HJ, Weigand SD et al (2017) Age-specific and sex-specific prevalence of cerebral β‑amyloidosis, tauopathy, and neurodegeneration in cognitively unimpaired individuals aged 50–95 years: a cross-sectional study. Lancet Neurol 16:435–444. https://doi.org/10.1016/S1474-4422(17)30077-7 CrossRefPubMedPubMedCentral

22.

Klöppel S, Peter J, Ludl A et al (2015) Applying Automated MR-Based Diagnostic Methods to the Memory Clinic: A Prospective Study. J Alzheimers Dis 47:939–954. https://doi.org/10.3233/JAD-150334 CrossRefPubMedPubMedCentral

23.

Klöppel S, Hellwig S, Yang S (2018) Voxel-wise deviations from healthy aging for the detection of region-specific atrophy. Unter Begutachtung

24.

Koedam ELGE, Lehmann M, van der Flier WM et al (2011) Visual assessment of posterior atrophy development of a MRI rating scale. Eur Radiol 21:2618–2625. https://doi.org/10.1007/s00330-011-2205-4 CrossRefPubMedPubMedCentral

25.

LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521:436–444. https://doi.org/10.1038/nature14539 CrossRefPubMed

26.

Martínez G, Vernooij RW, Fuentes Padilla P et al (2017) 18F PET with florbetapir for the early diagnosis of Alzheimer’s disease dementia and other dementias in people with mild cognitive impairment (MCI). Cochrane Database Syst Rev 11:CD12216. https://doi.org/10.1002/14651858.CD012216.pub2 PubMedCrossRef

27.

Mattsson N (2009) CSF biomarkers and incipient alzheimer disease in patients with mild cognitive impairment. JAMA 302:385. https://doi.org/10.1001/jama.2009.1064 CrossRefPubMed

28.

McCulloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys 5:115–133. https://doi.org/10.1007/BF02478259 CrossRef

29.

Mollenhauer B, Cullen V, Kahn I et al (2008) Direct quantification of CSF α‑synuclein by ELISA and first cross-sectional study in patients with neurodegeneration. Exp Neurol 213:315–325. https://doi.org/10.1016/j.expneurol.2008.06.004 CrossRefPubMed

30.

Möller C, van der Flier WM, Versteeg A et al (2014) Quantitative regional validation of the visual rating scale for posterior cortical atrophy. Eur Radiol 24:397–404. https://doi.org/10.1007/s00330-013-3025-5 CrossRefPubMed

31.

Moussaud S, Jones DR, Moussaud-Lamodière EL et al (2014) Alpha-synuclein and tau: teammates in neurodegeneration? Mol Neurodegener 9:43. https://doi.org/10.1186/1750-1326-9-43 CrossRefPubMedPubMedCentral

32.

Postuma RB, Berg D, Stern M et al (2015) MDS clinical diagnostic criteria for Parkinson’s disease. Mov Disord 30:1591–1601. https://doi.org/10.1002/mds.26424 (MDS-PD clinical diagnostic criteria)CrossRefPubMed

33.

Respondek G, Levin J, Höglinger G (2017) Neudefinition atypischer Parkinson-Syndrome. Aktuelle Neurol 44:82–88. https://doi.org/10.1055/s-0042-123730 CrossRef

34.

Sakurai K, Tokumaru AM, Shimoji K et al (2017) Beyond the midbrain atrophy: wide spectrum of structural MRI finding in cases of pathologically proven progressive supranuclear palsy. Neuroradiology 59:431–443. https://doi.org/10.1007/s00234-017-1812-4 CrossRefPubMed

35.

Sandor C, Honti F, Haerty W et al (2017) Whole-exome sequencing of 228 patients with sporadic Parkinson’s disease. Sci Rep 7:41188. https://doi.org/10.1038/srep41188 CrossRefPubMedPubMedCentral

36.

Schäffer E, Berg D (2017) Neudefinition der Parkinson-Erkrankung. Aktuelle Neurol 44:260–266. https://doi.org/10.1055/s-0043-103081 CrossRef

37.

Sheikh-Bahaei N, Sajjadi SA, Pierce AL (2017) Current role for biomarkers in clinical diagnosis of alzheimer disease and Frontotemporal dementia. Curr Treat Options Neurol 19:46. https://doi.org/10.1007/s11940-017-0484-z CrossRefPubMed

38.

Tin Kam Ho (1995) Random Decision Forests. IEEE Comput. Soc. Press. IEEE, Los Alamitos, Calif, S 278–282

39.

Visser PJ, Verhey F, Knol DL et al (2009) Prevalence and prognostic value of CSF markers of Alzheimer’s disease pathology in patients with subjective cognitive impairment or mild cognitive impairment in the DESCRIPA study: a prospective cohort study. Lancet Neurol 8:619–627. https://doi.org/10.1016/S1474-4422(09)70139-5 CrossRefPubMed

Titel: „Big Data“ und künstliche Intelligenz zur Diagnoseunterstützung bei atypischer Demenz
verfasst von: Dr. K. Egger
M. Rijntjes
Publikationsdatum: 03.08.2018
Verlag: Springer Medizin
Schlagwörter: Magnetresonanztomografie
Demenz
Frontotemporale Demenz
Demenz
Frontotemporale Demenz
Positronen-Emissions-Tomografie
Progressive supranukleäre Blickparese
Magnetresonanztomografie
Künstliche Intelligenz
Erschienen in: Der Nervenarzt / Ausgabe 8/2018
Print ISSN: 0028-2804
Elektronische ISSN: 1433-0407
DOI: https://doi.org/10.1007/s00115-018-0568-3

Neu in den Fachgebieten Neurologie und Psychiatrie

16.04.2024 | Maligne primäre ZNS-Tumoren | Nachrichten

Springer Medizin

„Big Data“ und künstliche Intelligenz zur Diagnoseunterstützung bei atypischer Demenz

Zusammenfassung

Neu in den Fachgebieten Neurologie und Psychiatrie

Manche Gestagene können das Risiko für Meningeome erhöhen

Vitiligo: Prävalenz steigt und viele Erkrankte werden spät behandelt

Perinatale PTBS: Signifikanter Anstieg der Diagnoserate

Wie toxische Männlichkeit der Gesundheit von Männern schadet

Springer Medizin

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 8/2018

Big-Data-Ansätze in der Psychiatrie: Beispiele aus der Depressionsforschung

Mitteilungen der DGPPN 8/2018

Gerinnungsfaktoren und Multiple Sklerose

Künstliche Intelligenz in der Psychiatrie – ein Überblick

Labordiagnostik bei transienten Bewusstseinsstörungen