MRI-basierte Verfahren der Mustererkennung für die Diagnostik von Demenzen

• Antragsteller: Professor Dr. Stefan Klöppel
• Fachliche Zuordnung: Kognitive und systemische Humanneurowissenschaften ; Kognitive, systemische und Verhaltensneurobiologie ; Medizinische Physik, Biomedizinische Technik
• Förderung: Förderung von 2011 bis 2017
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 196903235

In Deutschland erhalten Patienten mit einer Demenzerkrankung im hausärztlichen Setting am häufigsten die Diagnose einer unspezifischen Demenz. Die führt dazu, dass sie eine z.B. spezifisch für die Alzheimer Krankheit zugelassene Medikation deutlich seltener erhalten. Die Vergabe unspezifischer Diagnosen ist bei Neurologen und Psychiatern außerhalb spezialisierter Gedächtnissprechstunden nur unwesentlich seltener. Im Prinzip kann die Bildgebung des Gehirns helfen, hier eine Besserung zu erreichen. Die Interpretation dieser Bilder hängt jedoch deutlich von der Erfahrung des Radiologen ab. In der ersten Förderungsphase dieses Projektes konnten wir zeigen, dass Mustererkennungsverfahren angewandt auf eine Kernspintomographie des Gehirns die diagnostische Qualität verbessern kann. Die von uns eingesetzten Verfahren der Bildbearbeitung in Kombination mit einer sog. Support-vector machine (SVM) für die eigentliche Diagnose, waren zudem so robust, dass Daten verschiedener Kernspingeräte kombiniert werden konnten. Bei der Anwendung von SVMs, die die Unterscheidung verschiedener Demenzformen anhand von Daten aus gut kontrollierten Studien gelernt hatten, fiel jedoch ein erheblicher Rückgang der Genauigkeit auf, wenn diese auf Daten der klinischen Routine angewandt wurden. Um diesem relevanten Problem zu begegnen planen wir die Anwendung sog. convolutional neuronal networks (CNN). CNN können direkt auf die Rohdaten des Scanners angewendet werden, ohne dass eine Aufteilung in die Gewebstypen erforderlich ist. Wir planen Ansätze, bei denen die gesamte Datenbearbeitung und die abschließende diagnostische Entscheidung Teil des CNN ist. Dadurch kann das CNN anhand von Fehlern bei der Diagnostik lernen und die vorhergehende Datenbearbeitung entsprechend optimieren. Im Hinblick auf die Anwendung in der Klinik planen wir zudem die Kombination mehrerer Datenmodalitäten, jedoch ohne die Bedingung, dass diese alle von jedem Patienten vorhanden sein müssen. Dies entspricht oft der klinischen Realität wenn Patienten aufgrund von Müdigkeit oder Platzangst nicht in der Lage sind, die kognitive Testbatterie oder die Untersuchung im MRT abzuschließen. Darüber hinaus wollen wir Ansätze entwickeln, die zu jeder gestellten Diagnose den Grad der damit verbundenen Unsicherheit angibt. Dies versetzt Ärzte in die Lage, die Angaben des diagnostischen Verfahrens besser bewerten zu können. Der Nutzen dieser Entwicklung soll retrospektiv, abschließend aber auch prospektiv auf Daten der klinischen Routine getestet werden. Im prospektiven Teil soll das Ergebnis der CNN zusammen mit einer Visualisierung der Entscheidungsgrundlage in der wöchentlichen Fallkonferenz der Klinik besprochen werden.

• DFG-Verfahren: Sachbeihilfen