Gépi tanulás a Parkinson-kór és kognitív hanyatlás felismerésében
A Parkinson-kór (PD) korai és precíz felismerése, valamint a kognitív hanyatlás előrejelzése továbbra is komoly kihívást jelent a neurológiai gyakorlatban. Egy frissen publikált multicentrikus vizsgálat két gépi tanulási algoritmus segítségével tesztelte, hogy a dopamin-transzporter SPECT (DaT-SPECT) és különböző liquor-biomarkerek kombinálásával javítható-e a diagnosztikus hatékonyság. Az eredmények szerint a multimodális megközelítés – különösen PD-s betegek kognitív hanyatlásának azonosításában – szignifikáns előrelépést hozhat.
Háttér és célkitűzések
A Parkinson-kór a második leggyakoribb neurodegeneratív betegség, amely nemcsak motoros tünetekkel, hanem kognitív hanyatlással is jár. A PD-s betegek 19–62%-ánál alakul ki enyhe kognitív zavar (MCI), amely idővel 25–62%-ban demenciába progrediálhat. A DaT-SPECT széles körben alkalmazott diagnosztikus eszköz a parkinsonizmus kimutatásában, mivel feltérképezi a striatalis dopamintranszporterek denzitását. Ugyanakkor a kognitív hanyatlás felismerésére önmagában nem elegendő, mivel annak hátterében más neurotranszmitter-rendszerek – köztük a kolinerg rendszer – dysfunkciója áll.
A liquor-biomarkerek – alfa-szinuklein, béta-amiloid-42, totál-tau, foszforilált-tau-181, neurofilament könnyűlánc (NfL) – szintén ígéretes jelölők. Az alacsonyabb alfa-szinuklein-szint PD-re, az alacsonyabb béta-amiloid-42 és az emelkedett tau-, valamint NfL-szintek kognitív hanyatlásra utalhatnak. A kutatók célja az volt, hogy gépi tanulási módszerekkel – support vector machine (SVM) és random forest (RF) – teszteljék, vajon a DaT-SPECT és liquor-biomarkerek kombinálása javítja-e a PD és MCI detektálását.
Módszertan és betegcsoportok
A vizsgálat a Parkinson Progression Markers Initiative (PPMI) adatbázisát használta. A szigorú beválasztási kritériumoknak 254 fő felelt meg: 41 PD normál kognitív funkcióval (PD-NC), 62 PD enyhe kognitív zavarral (PD-MCI), 83 egészséges normál kognitív funkcióval (HC-NC) és 68 egészséges enyhe kognitív zavarral (HC-MCI). Kizárták azokat, akiknél genetikai rizikómarkerek (GBA, LRRK2 stb.) vagy REM alvási zavar állt fenn, mivel ezek módosíthatják a betegség lefolyását.[18]
A résztvevőknél DaT-SPECT-vizsgálat, legalább kétszeri liquor-biomarker-mintavétel és Montreal Cognitive Assessment (MoCA) tesztek történtek. Átlagosan 45,74 hónap telt el az első és második adatfelvétel között. A gépi tanulási modelleket 10-szeres keresztvalidációval és 70:30 arányú tanító-tesztelő adatfelosztással készítették. Kombináció-modelleknél a tanító adathalmaz 70%-át, validációs halmaz 15–20%-át és tesztelő halmaz 10–15%-át használták.
Eredmények: egyedi biomarkerek teljesítménye
A PD és egészséges kontrollok elkülönítésében a DaT-SPECT kiemelkedően teljesített: SVM-módszerrel 95,87%-os pontosság, 94,33%-os szenzitivitás és 96,89%-os specificitás, RF-módszerrel 94,53%-os pontosság mellett. A liquor-biomarkerek (alfa-szinuklein, NfL, béta-amiloid-42, tau-fehérjék) alacsony szenzitivitást mutattak a PD azonosításában – általában 25–50% körüli értékekkel –, ugyanakkor specificitásuk 74–94% között mozgott, vagyis az egészséges kontrollok felismerésében hatékonyabbak lehetnek
Az MCI detektálására irányuló modellek – mind egészséges, mind PD-s populációban – alacsony teljesítményt nyújtottak (jellemzően 80% alatti pontosság). Ez várható volt, hiszen a DaT-SPECT és a liquor-biomarkerek változási ütemében nem találtak szignifikáns különbséget az NC és MCI csoportok között.
Kombináció-modellek: áttörés a PD-MCI felismerésében
A normál kognitív funkciójú PD-betegek (PD-NC) azonosításában a DaT-SPECT önmagában is kiváló eredményeket adott (95,83%-os pontosság), amelyet az alfa-szinuklein vagy NfL hozzáadása nem javított szignifikánsan.
Ezzel szemben a kognitív zavarral élő PD-betegek (PD-MCI) és egészséges MCI-s személyek (HC-MCI) megkülönböztetésében a kombináció-modellek jelentős előrelépést mutattak. A DaT-SPECT és béta-amiloid-42, a DaT-SPECT és foszforilált-tau-181, valamint a három biomarker együttes alkalmazása (DaT-SPECT + béta-amiloid-42 + p-tau-181) mind SVM-, mind RF-módszerrel 100%-os pontosságot, szenzitivitást és specificitást ért el. Ezzel szemben a DaT-SPECT önmagában 92,37%-os (SVM) és 89,47%-os (RF) pontosságot eredményezett.
A statisztikai elemzések megerősítették, hogy ezekben a csoportokban a DaT-SPECT és a p-tau-181 liquor-szintje szignifikánsan különbözött, amely magyarázatot adhat a kiemelkedő modellteljesítményre.
Klinikai jelentőség és korlátok
A jelenlegi klinikai diagnosztika PD-ben körülbelül 84%-os pontosságot mutat. A gépi tanulási modellek ennél magasabb teljesítményt értek el, így potenciális eszközt jelenthetnek a diagnosztikus döntéstámogatásban. Fontos azonban figyelembe venni a vizsgálat korlátait: a kombináció-modelleknél a kis mintaelemszám – különösen a tesztelő adathalmazban – túlillesztést eredményezhetett, így a 100%-os eredmények validálása nagyobb populációkon szükséges. További vizsgálatokra van szükség a nested vagy ismételt keresztvalidációs technikák alkalmazásával.
A kognitív hanyatlás felismerésére irányuló modellek gyenge teljesítménye felveti, hogy más neuroimaging-módszerek – például MRI – hatékonyabbak lehetnek az MCI detektálásában, mint a DaT-SPECT.
Konklúzió
A gépi tanulási algoritmusok és multimodális biomarkerek kombinálása javíthatja a Parkinson-kór és kognitív hanyatlás felismerését. Különösen ígéretes eredmény, hogy a DaT-SPECT és liquor-alapú tau-, illetve amiloid-markerek együttes használata megbízható differenciáldiagnózist tehet lehetővé PD-MCI esetében. További kutatások szükségesek a klinikai alkalmazhatóság szélesítésére és a prediktív modellek validálására.
Dennis A-GP, Martin SL, Chen R, Gerretsen P, Strafella AP: Using machine learning for detection of Parkinson's disease and mild cognitive impairment. PLOS One. 2025;20(11):e0335541. https://doi.org/10.1371/journal.pone.0335541[18]
