Dokument: Altered Functional Brain Networks in Schizophrenia, Parkinson’s Disease and Advanced Age: Insights from Applying Machine Learning for Connectivity-based Predictions

Titel:	Altered Functional Brain Networks in Schizophrenia, Parkinson’s Disease and Advanced Age: Insights from Applying Machine Learning for Connectivity-based Predictions
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=55441
URN (NBN):	urn:nbn:de:hbz:061-20210218-105932-2
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Pläschke, Rachel N. [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 5,39 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 08.02.2021 / geändert 08.02.2021
Beitragende:	Prof. Dr. med. Eickhoff, Simon B. [Betreuer/Doktorvater] Prof. Kalenscher, Tobias [Gutachter]
Dewey Dezimal-Klassifikation:	100 Philosophie und Psychologie » 150 Psychologie 600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit 500 Naturwissenschaften und Mathematik
Beschreibungen:	Zusammenfassung Die Anwendung der Magnetresonanztomographie zur Untersuchung von Zusammenhängen zwischen Gehirn und Verhalten hat unser Verständnis von Schizophrenie (SCZ), Morbus Parkinson (MP) und des normalen Alterns (NA) in Bezug auf Veränderungen in funktionellen Gehirnnetzwerken, einschließlich Veränderungen in der funktionellen Kommunikation des Gehirns im "Ruhezustand" (d.h. in aufgabenfreien Zuständen), erheblich verbessert. Diese Ergebnisse basieren jedoch auf traditionellen massen-univariaten Gruppenaggregaten innerhalb der Stichprobe und beziehen sich daher meist auf Veränderungen in verschiedenen Verbindungen über das gesamte Gehirn oder in Ruhezustandsnetzwerken. Erst in den letzten Jahren, hat das maschinelle Lernen (ML) in der Neurobildgebungsforschung beträchtliche Aufmerksamkeit erhalten, um relevante, auf Neurobildgebung-basierende Biomarker auf der Ebene einzelner Individuen zu erfassen. Bisher wurde ML in erster Linie eingesetzt, um die bestmöglichen Vorhersagen zu erreichen, um in der Zukunft für automatisierte Bildgebungsmarker-basierte Entscheidungen in der klinischen Routine für die personalisierte Medizin integriert zu werden. Im Gegenzug untersuchte diese Dissertation, ob ML genutzt werden kann, um Erkenntnisse über Erkrankungen und das Altern zu gewinnen. Die beiden Dissertationsstudien zielten darauf ab, das Verständnis von Netzwerkveränderungen im Zusammenhang mit SCZ, MP und NA sowie der kognitiven Leistung im Alter durch die Anwendung modernster ML- und Kreuzvalidierungsschemata zu verbessern. Dafür wurde die funktionelle Konnektivität im Ruhezustand (FRK) in verschiedenen funktionellen Gehirnnetzwerken untersucht, die aus aufgabenbasierten Meta-Analysen abgeleitet wurden und mit kognitiven, sozial-affektiven, motivationalen und motorisch-sensorischen Funktionen assoziiert sind. Es wurden Support-Vektor-Maschinen Klassifikationen und Relevanz-Vektor-Maschinen Regressionen durchgeführt, um zu untersuchen, ob die FRK-Muster innerhalb verschiedener funktioneller Netzwerke mit SCZ, MP und NA sowie der kognitiven Leistung assoziiert sind und somit Vorhersagen auf der Basis einzelner Individuen erlauben. In der ersten Dissertationsstudie wurde untersucht, ob die bekannten Beeinträchtigungen verschiedener Funktionen in SCZ, MP und NA sich gleichermaßen in der jeweiligen Gruppe in einer hohen Klassifikationsgenauigkeit eines funktionsentsprechenden Netzwerks widerspiegeln würden. Des Weiteren wurde evaluiert, ob die jeweiligen Netzwerke differentielle Informationen bezüglich der unterschiedlichen Erkrankungen und das Altern enthalten. Die Ergebnisse zeigten, dass sowohl SCZ als auch MP durch unterschiedliche Netzwerke, die gut mit bekannten klinischen und pathophysiologischen Merkmalen resonieren, spezifisch gut vorhergesagt werden konnten. Bei SCZ unterschieden die Netzwerke für Belohnungsverarbeitung, Empathie, kognitive Emotionsregulation und emotionale Verarbeitung die Patienten am genauesten von den Kontrollen. Bei MP ergaben Netzwerke, die mit dem autobiographischen Gedächtnis, der motorische Ausführung und der Theory-of-Mind Kognition assoziiert sind, die genauesten Klassifikationen. Im Gegensatz dazu klassifizierten alle Netzwerke ältere von jungen Erwachsenen mit hoher Genauigkeit und übertrafen beide klinischen Klassifikationen. Die zweite Dissertationsstudie untersuchte altersbedingte Unterschiede in der Vorhersagbarkeit der individuellen Arbeitsgedächtniskapazität (AGK) aus funktionalen Netzwerken, die mit dem AG assoziiert sind, und Netzwerken, die in unterschiedlichem Ausmaß mit dem AG verbunden sind. Dabei wurde untersucht, ob und inwieweit die verschiedenen Netzwerke bei jungen und älteren Erwachsenen prädiktiv sind. Es zeigte sich, dass nur bei älteren Erwachsenen AGK aus dem AG-Netzwerk, AG-entfernteren Netzwerken, die mit exekutiven Funktionen und Kognition höherer Ordnung assoziiert sind, einem aufgaben-negativen Netzwerk sowie AG-unabhängigen motorisch-sensorischen Systemen vorhergesagt werden konnte. Ein ähnliches Maß an Vorhersagekraft über die verschiedenen Netzwerke hinweg ist vorrangig mit einer niedrigeren AGK assoziiert. Diese Ergebnisse unterstützen die Annahme einer verringerten Segregation funktioneller Gehirnnetzwerke, einer Verschlechterung der Netzwerkintegrität innerhalb der verschiedenen Netzwerke und/oder einer Kompensation durch Reorganisation als Faktoren, die Assoziationen zwischen niedriger und hoher AGK und netzwerkinterner FRK bei älteren Erwachsenen bewirken. Diese Studien deuten darauf hin, dass die FRK ein Marker für funktionelle Netzwerkdysregulierungen bei SCZ und MP ist sowie für eine Reorganisation auf neuronaler Ebene, die mit veränderter Netzwerkintegrität im fortgeschrittenen Alter in einer globaleren Weise verbunden ist. Zusammen verbessern die Ergebnisse das neurobiologische Verständnis von SCZ, MP und NA, das auf dem FRK-Muster der funktionellen Netzwerke und auf der Ebene des einzelnen Individuums beruht, was die Ergebnisse früherer univariater Ansätze erweitert. Daher können ML-Ansätze als leistungsfähige Methoden zur Untersuchung von Zusammenhängen zwischen Gehirn und Verhalten dienen. Die Ergebnisse könnten auf das Potenzial der Untersuchung von Theranostik-Markern hinweisen, d.h. Netzwerkmarker, die über die Diagnose von Patienten und der Vorhersage des Krankheitsverlaufs hinaus helfen, indem sie auch als Ziel für therapeutische Anwendungen relevant sind. Theranostik-Marker können zu einem anderen Zweig der personalisierten Medizin mit einem Schwerpunkt auf individualisierten netzwerkbasierten therapeutischen Interventionen führen. Abstract The application of magnetic resonance imaging to investigate brain-behavior relationships has greatly enhanced our understanding of schizophrenia (SCZ), Parkinson's disease (PD), and normal aging (NA) with respect to changes in functional brain networks, including alterations in the functional communication of the brain at ‘’rest” (i.e., in task-free states). These findings are, however, based on traditional mass-univariate within-sample group-aggregates and are thus mostly related to changes in various connections across the whole-brain or within common resting-state networks. In more recent years, the rise of machine learning (ML) in neuroimaging research has received considerable attention with regards to its ability to detect relevant neuroimaging-based biomarkers on the single-subject level. So far, ML has primarily been used to achieve the best possible predictions for the future implementation of automated neuroimaging-based decision-making in clinical routine for personalized medicine. In turn, the thesis investigated whether ML can be utilized to gain knowledge about diseases and aging. The two studies in this dissertation aimed to improve the understanding of network changes related to SCZ, PD, and NA, as well as cognitive performance in advanced age by applying state-of-the-art ML and cross-validation schemes. To this end, resting-state functional connectivity (RSFC) was investigated in various functional brain networks derived from task-based meta-analyses associated with cognitive, social-affective, motivational, motor-sensory functions. Support vector machine classifications and relevance vector machine regression were performed to investigate whether RSFC patterns within different functional networks are associated with SCZ, PD, and NA, as well as cognitive performance, and thus, allow predictions based on single-subjects. The first study of the thesis investigated whether the known impairments of different functions in SCZ, PD, or NA, would equally translate into a high classification accuracy for a given network in the respective group. Additionally, the study evaluated whether the respective networks contain differential information related to the different conditions. The results showed that both SCZ and PD were specifically well predicted by distinct networks that resonate well with known clinical and pathophysiological features. For SCZ, the reward, empathy, cognitive emotion regulation, and emotional processing networks distinguished patients most accurately from controls. For PD, networks subserving autobiographical memory, motor execution, and theory-of-mind cognition yielded the most accurate classifications. In contrast, all networks discriminated older from young adults with high accuracies and outperformed both clinical classifications. The second study examined age-related differences in the predictability of individual working memory capacity (WMC) from functional networks associated with WM and networks linked to WM to different degrees. Thereby, the study investigated whether and to which degree the different networks were predictive in young and older adults. It was found that only in older adults WMC could be predicted from the WM network, WM-related networks associated with executive functions and higher-order cognition, and a task-negative network as well as WM-unrelated motor-sensory systems. A similar degree of predictive power across the diverse networks was primarily associated with low WMC. These results support the notion of a decreased segregation of functional brain networks, deterioration of network integrity within different networks, and/or compensation by reorganization as factors driving associations between low and high WMC and within-network RSFC in older adults. These studies suggest RSFC as a marker of functional network dysregulations in SCZ and PD as well as neural-level reorganization associated with altered network integrity in advanced age in a more global way. Together, the results improve the neurobiological understanding of SCZ, PD, and NA that is grounded in the RSFC pattern of functional networks on a single-subject level, which extends the results of previous univariate approaches. Hence, ML approaches can serve as powerful tools for the investigation of brain-behavior relationships. The findings of this thesis may point to the potential of investigating theranostic markers, i.e., network makers that aid beyond the diagnosis of patients and predicting disease progression by also being relevant as therapeutic targets. Theranostic markers may lead to another branch of personalized medicine with a focus on individualized network-based therapeutic interventions.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät Medizinische Fakultät » Institute » Institut für Medizinische Psychologie
Dokument erstellt am:	18.02.2021
Dateien geändert am:	18.02.2021
Promotionsantrag am:	22.06.2020
Datum der Promotion:	22.10.2020