Dokument: Distinguishing older subjects with cognitive performance differences based on their brain network patterns: a machine learning approach
| Titel: | Distinguishing older subjects with cognitive performance differences based on their brain network patterns: a machine learning approach | |||||||
| URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=65554 | |||||||
| URN (NBN): | urn:nbn:de:hbz:061-20240426-083253-9 | |||||||
| Kollektion: | Dissertationen | |||||||
| Sprache: | Englisch | |||||||
| Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
| Medientyp: | Text | |||||||
| Autor: | Krämer, Camilla Johanna Antonia [Autor] | |||||||
| Dateien: |
| |||||||
| Beitragende: | Prof. Dr. Dr. Caspers, Svenja [Gutachter] PD Dr. Weis, Susanne [Gutachter] Prof. Dr. Jirsa, Viktor [Gutachter] | |||||||
| Dewey Dezimal-Klassifikation: | 600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit | |||||||
| Beschreibungen: | The aging brain experiences changes in function and structure, which are accompanied by age-related cognitive decline. The degree to which healthy older adults encounter age-related cognitive decline, however, varies greatly. In consideration of the growing aging population and the relevance of cognition for quality of life, research has embarked on exploring possible bases for this high inter-individual variability in aging. One potential explanation for cognitive performance differences may be alterations in the brain’s network architecture. Resting-state functional connectivity (RSFC) network estimates, which may centrally characterize this network architecture, already successfully distinguished between healthy older adults and patients with neurodegenerative diseases, e.g. Alzheimer’s
disease. It, however, remains unknown whether functional network information can be used to distinguish and predict cognitive performance differences in healthy older adults and whether prediction performance may be boosted by using multimodal data, i.e. grey matter volume (GMV) and structural connectivity (SC) estimates. In this context, machine learning (ML) methods may be particularly suited to address these questions due to their ability to deal with high dimensional data and uncover hidden patterns in data. Further insight in this regard may be highly relevant on the road to developing a prognostic marker for age-related cognitive decline and to designing early targeted interventions to combat cognitive decline. Thus, this dissertation was aimed at systematically examining (1) whether functional brain network information, i.e. RSFC estimates, may classify and predict cognitive performance differences, (2) whether age-characteristic interrelations between RSFC and SC patterns and cognitive performance may be derived in older adults and (3) whether the integration of information across modalities, i.e. region-wise GMV, RSFC and SC estimates, may improve prediction performance of cognitive targets in healthy older adults (N>500, age: 55-85) from the 1000BRAINS study using a set of ML approaches. In the first study, RSFC estimates led to low classifiability and predictability of global and domain-specific cognitive performance differences across different analytic choices. The second study revealed the existence of three prominent aging profiles based on connectivity data and cognition in older adults. In the third study, global and domain-specific cognitive targets could only be successfully predicted from multimodal data in absence of confounder control. Conclusively, this dissertation demonstrated that RSFC estimates may only serve to a limited degree as markers for age-related cognitive decline. Furthermore, it emphasized despite the possible benefits of using multimodal approaches in aging studies, the challenges that remain in developing a biomarker for age-related cognitive decline.Das alternde Gehirn verändert sich in Struktur und Funktion begleitet durch altersbedingten kognitiven Abbau. Das Ausmaß, mit dem gesunde ältere Menschen den kognitiven Abbau erleben, variiert jedoch stark zwischen Personen. Angesichts der zunehmend alternden Bevölkerung und der Wichtigkeit von Kognition für die Lebensqualität, wurde begonnen, nach möglichen Ursprüngen für die hohe inter-individuelle Variabilität zu suchen. Als eine mögliche Erklärung für die beträchtliche Varianz kommen Veränderungen in der Netzwerkarchitektur des Gehirns in Frage. Netzwerkparameter basierend auf funktioneller Konnektivität im Ruhezustand (RSFC), die diese Architektur genauer charakterisieren, wurden bereits erfolgreich genutzt, um zwischen normal alternden Personen und Patienten mit einer neurodegenerativen Erkrankung, z.B. Alzheimer Erkrankung, zu unterscheiden. Es bleibt jedoch unklar, ob funktionelle Netzwerkinformationen auch Kognitionsunterschiede in gesunden älteren Menschen erkennen und vorhersagen können und ob die Vorhersagekraft durch einen multimodalen Ansatz gesteigert werden kann. Methoden des maschinellen Lernens (ML) scheinen besonders geeignet diese Fragestellungen zu adressieren, da sie versteckte Muster in Daten aufdecken können. Die Gewinnung weiterer Einblicke erscheint vor allem für die mögliche Entwicklung eines prognostischen Markers für altersbedingten kognitiven Abbau und den Entwurf von frühzeitigen individuellen Interventionen relevant. Folglich zielte diese Dissertation auf die systematische Untersuchung (1) der Klassifizier- und Vorhersagbarkeit von Kognitionsunterschieden basierend auf funktionellen Netzwerkinformationen, (2) des Zusammenhanges zwischen RSFC, struktureller Konnektivität (SC) und Kognition und (3) des möglichen Vorteils eines multimodalen Ansatzes, i.e. Volumen der grauen Substanz, RSFC und SC, für die Vorhersage von kognitiven Fähigkeiten in gesunden älteren Menschen (1000BRAINS, N>500, Altersspanne: 55-85 Jahre) mit Hilfe eines ML Ansatzes ab. In der ersten Studie erreichten funktionelle Konnektivitätsparameter nur eine geringe Klassifizier- und Vorhersagbarkeit von globalen und domänen-spezifischen Kognitionsunterschieden. In der zweiten Studie konnten drei verschiedene Alterungsprofile basierend auf Konnektivitätsdaten und Kognition extrahiert werden. Die dritte Studie deutete darauf hin, dass Kognitionsunterschiede im Alter nur bei fehlender Kontrolle für Störfaktoren basierend auf multimodalen Daten vorhergesagt werden können. Insgesamt, hebt diese Dissertation das limitierte Potenzial von funktionellen Konnektivitätsparametern als alleinige Marker für kognitive Alterung hervor und unterstreicht trotz möglicher Vorteile eines multimodalen Ansatzes, die vielfältigen verbleibenden Herausforderungen bei der Entwicklung eines Markers für altersbedingten kognitiven Abbau. | |||||||
| Lizenz: |  Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz | |||||||
| Fachbereich / Einrichtung: | Medizinische Fakultät » Institute » Institut für Anatomie I | |||||||
| Dokument erstellt am: | 26.04.2024 | |||||||
| Dateien geändert am: | 26.04.2024 | |||||||
| Promotionsantrag am: | 19.07.2023 | |||||||
| Datum der Promotion: | 15.04.2024 |
