Hodnocení funkční konektivity a struktury mozku u pacientů v riziku synukleinopatií

Abstract

Synukleinopatia je neurodegeneratívne ochorenie charakterizované prítomnosťou patologického proteínu -synukleínu v neurónoch, pre ktoré doposiaľ nie je známy liečebný postup, ktorým by ho bolo možné vyliečiť alebo natrvalo zastaviť. Cieľom práce je identifikovať prodromálne štádiá synukleinopatií pomocou funkčnej konektivity spracovanej s využitím grafových metrík a hodnotenia hrúbky kortexu a objemov subkortikálnych štruktúr z dát magnetickej rezonancie, a overiť špecificitu a senzitivitu kombinácií parametrov, ktoré budú dostatočne diferencovať pacientov v riziku synukleinopatií. Pre splnenie nášho zámeru sme nabrali dáta od pacientov v riziku synukleinopatií (preDLB, n = 27) a zdravých kontrol (HC, n = 28). V skupine preDLB sme našli znížený objem pravého pallida, a zvýšený pomer objemov hippokampov k objemu kortexu, vyšší normalizovaný klastrovací koeficient a vyššiu modularitu v porovnaní s HC. Tieto štyri paremetre boli modelované metódami strojového učenia. Výsledný model odlišoval preDLB a HC s 88 % vyváženou presnosťou, 89 % špecificitou a 86 % senzitivitou. Výsledky práce môžu slúžiť ako základ pre ďalšie štúdie hľadajúce špecifické MRI markery skorých štádií synukleinopatií, na ktoré by v budúcnosti mohla byť cielená terapia.Synucleinopathy is a neurodegenerative disorder characterized by the presence of pathological protein -synuclein in neurons. So far, treatment that could heal or permanently stop this disease is not known. The aim of this work is to identify prodromal stages of synucleinopathies using functional connectivity processed applying graph metrics and assessing cortical thickness and subcortical structures volumes from magnetic resonance imaging data, and to verify specificity and sensitivity of combinations of parameters that sufficiently differentiate patients in risk of synucleinopathies. To accomplish this goal, we collected data from patients in the risk of synucleinopathy (preDLB, n = 27) and healthy controls (HC, n = 28). We found reduced volume of right pallidum and increased hippocampal volume to cortical volume ratio, increased normalised clustering coefficient and higher modularity in the preDLB group in comparison to HC. These four parameters were modeled using machine learning. The resulting model differentiated preDLB and HC with balanced accuracy of 88 %, specificity of 89 % and sensitivity of 86 %. The findings of this thesis can serve as the basis for further studies searching for specific MRI markers of prodromal stage of synucleinopathy that could be targeted with therapy in the future.