Deep Learning für eine Neuroimaging-basierte Krankheitsdiagnostik

• Antragstellerin: Professorin Dr. Kerstin Ritter
• Fachliche Zuordnung: Klinische Neurologie; Neurochirurgie und Neuroradiologie
• Förderung: Förderung von 2017 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 389563835

Deep Learning ist ein hochinnovativer Bereich des maschinellen Lernens und insbesondere Convolutional Networks haben zu erheblichen Verbesserungen in der Mustererkennung geführt. In diesem Projektantrag sollen diese Ansätze für die Auswertung struktureller MRT-Daten optimiert werden und zusammen mit klinischen und neuropsychologischen Daten zu einer verbesserten Krankheitsdiagnostik neurologischer Erkrankungen beitragen. Insbesondere möchten wir vorhersagen, ob (1) Patienten mit klinisch isoliertem Syndrom im Verlauf Multiple Sklerose entwickeln und (2) ob Patienten mit milder kognitiver Beeinträchtigung später an Alzheimer erkranken. Für beide Krankheitsbilder wollen wir zusätzlich den Grad der klinischen und neuropsychologischen Beeinträchtigung zu späteren Zeitpunkten vorhersagen. Die Analyse wird auf den MRT-Sequenzen MPRAGE, FLAIR und DTI basieren. Während bisherige Ansätze expertenbasierte Merkmale mit klassischen Mustererkennungsverfahren kombinieren und dadurch stark von den ausgewählten Merkmalen abhängen, können Convolutional Networks hierarchische Information direkt aus den Rohdaten extrahieren. Damit bieten sie ein großes Potential unerwartete und latente Datencharakteristiken zu finden und können so als eine zweite Expertenmeinung ("Second Reader") interpretiert werden.Da für die Krankheitsdiagnostik insbesondere die Interpretation der Bildeigenschaften wichtig ist und Convolutional Networks üblicherweise als "Black-Box"-Modelle bezeichnet werden, werden wir hier eine neuartige Visualisierungsmethode ("layer-wise relevance propagation") verwenden. Diese Methode erlaubt die Generierung von Heatmaps, die für jeden einzelnen Patienten die klinische Relevanz bestimmter Regionen im MRT-Bild angeben. Die klinische Aussagefähigkeit wird mit zwei Radiologen diskutiert.Wir glauben, dass deep learning-basierte MRT-Repräsentationen nicht nur in einer verbesserten Krankheits- und Verlaufsvorhersage für Alzheimer sowie Multiple Sklerose resultieren, sondern wir auch besser verstehen, welche MRT-Features zu der einen oder anderen diagnostischen Entscheidung führen.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortliche: Professor Dr. John-Dylan Haynes; Professor Dr. Friedemann Paul