Dokument: Die Klassifikation von Patienten und Patientinnen mit Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS) basierend auf der Struktur des Gehirns anhand der Technik des maschinellen Lernens: Die Rolle der ADHS-spezifischen Merkmale Hyperaktivität, Impulsivität und Aufmerksamkeit

Titel:	Die Klassifikation von Patienten und Patientinnen mit Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS) basierend auf der Struktur des Gehirns anhand der Technik des maschinellen Lernens: Die Rolle der ADHS-spezifischen Merkmale Hyperaktivität, Impulsivität und Aufmerksamkeit
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=67747
URN (NBN):	urn:nbn:de:hbz:061-20241209-083741-2
Kollektion:	Dissertationen
Sprache:	Deutsch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Zisi, Alexandra [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 2,90 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 28.11.2024 / geändert 28.11.2024
Beitragende:	Prof. Dr. med. Meisenzahl, Eva [Gutachter] Prof. Dr. phil. Pollok, Bettina [Gutachter]
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Die Aufmerksamkeitsdefizit-/ Hyperaktivitätsstörung (ADHS) ist eine häufige neuropsy-chiatrische Entwicklungsstörung bei Kindern und Jugendlichen, die mit Hyperaktivität und Impulsivität, einer verringerten Aufmerksamkeit oder eine Kombination dieser Symp-tome einhergeht. Die Suche nach biologischen Markern von ADHS ist Gegenstand der aktuellen Forschung. Durch computerbasierte Klassifikationsstudien werden automati-sierte Vorhersagen über die individuelle Gruppenzugehörigkeit der Studienteilnehmer/ -innen (ADHS- oder Kontrollgruppe) angestrebt. Das Ziel dieser Arbeit bestand darin, durch die Kombination zweier Datenmodalitäten eine Support Vector Machine (SVM)-basierte Klassifikation zwischen Personen mit und ohne ADHS zu ermöglichen und da-bei explizit die Bedeutung von hirnstrukturellen (Datenmodalität 1) und klinischen ADHS-Merkmalen (Hyperaktivität, Impulsivität und Aufmerksamkeit; Datenmodalität 2) für die Klassifikation zu untersuchen. Die Stichrobe bestand aus 45 ADHS-Patienten/ -Patientinnen und 46 Kontrollprobanden/ Kontrollprobandinnen. Vorverarbeitete, hirn-strukturelle Magnetresonanztomographie (MRT)-Bilder der grauen Substanz und klini-sche Symptomscores zu Hyperaktivität, Impulsivität und Aufmerksamkeit wurden in ei-nem SVM-basierten Klassifikationsansatz mit Repeated-Nested-Cross-Validation einge-speist. Die angewandte Machine Learning-Strategie umfasste die unimodale Bestim-mung der Klassifikationsgenauigkeit sowie die Berechnung des Genauigkeitsgewinns durch die Kombination beider Datenmodalitäten mittels später Fusion. Als Gütekriterium diente primär die Balanced Accuracy (BAC) und die Area under the Curve (AUC). In ei-nem zweiten Schritt wurde der Zusammenhang zwischen den klinischen Symptomen und dem SVM-Decisionscore untersucht. Die Kombination beider Datenmodalitäten er-reichte eine BAC von 85,7 % und eine AUC von 0,90 und übertraf die Genauigkeit der Vorhersage der unimodalen Classifier. Analysen der Feature Weights zeigten in der Kon-trollgruppe eine hohe Relevanz von Strukturen aufmerksamkeitsregulierender Zentren im fronto-temporo-parietalen Kortex sowie im Zerebellum für die Klassifikation, während in der ADHS- Gruppe eher okzipitale Areale und der Thalamus klassifikationsrelevant wa-ren. Die Ergebnisse stehen im Einklang zu weiteren Bildgebungsstudien, in denen Ver-änderungen dieser Hirnareale unter anderem als ADHS-spezifische Entwicklungsverzö-gerungen gedeutet werden. Bei der klinischen Modalität wies der Aufmerksamkeitspa-rameter die höchste Klassifikationsgewichtung auf. Je stärker die Symptomausprägung der ADHS-Gruppe, desto besser war ihre Klassifizierbarkeit gegenüber der Kontrollgrup-pe. Durch die Hinzunahme von weiteren Datensätzen könnte der Classifier dieser Arbeit in Zukunft extern validiert und auf weitere Fragestellungen im Hinblick auf die unter-schiedlichen Geschlechter und Komorbiditäten erweitert werden. Attention Deficit Hyperactivity Disorder (ADHD) is a common neuropsychiatric disorder in children and adolescents that is associated with hyperactivity and impulsivity, inattention, or a combination of these symptoms. A current research subject is the search for biologi-cal markers of ADHD. Computer-based classification studies have been used to achieve automated predictions about the individual group membership of the study participants (ADHD- or control group). The aim of this doctoral thesis was to combine two data modalities to enable a Support Vector Machine (SVM)-based classification between people with and without ADHD to specifically investigate the importance of brain morphological (data modality 1) and clini-cal, ADHD-specific parameters (hyperactivity, impulsivity and inattention; data modality 2) for the classification algorhythm. The study sample consisted of 45 ADHD patients and 46 control subjects. Preprocessed, structural grey matter magnetic resonance imaging (MRI)-images (modality 1) and ADHD-specific parameters of hyperactivity, impulsivity and inattention (modality 2) were inserted into an SVM-based classification algorythm with Repeated-Nested-Cross-Validation. The machine learning method we used included the unimodal determination of the classification accuracy as well as the calculation of the accuracy gain when com-bining both modalities via late fusion. The primarily used quality criterions were Balanced Accuracy (BAC) and Area under the Curve (AUC). In a second step, the correlation be-tween clinical features and the SVM-Decisionscore was examined. The combination of both modalities achieved a BAC of 85,7% and an AUC of 0,90, sur-passing the performances of the unimodal classifiers. Analyses of the Feature Weights showed a high relevance of attention-regulating centers in the fronto-temporo-parietal cortex and in the cerebellum at the brain-structural level in the classification of the control group, while in the ADHD group, occipital cerebral regions and the thalamus were rele-vant for the classification. The results are in line with other imaging studies in which structural changes in those relevant brain regions are interpreted as, inter alia, ADHD-specific developmental delays. Out of the ADHD-specific parameters, the attention pa-rameter had the highest Feature Weight for the classification. The stronger the symptom severity of the ADHD group, the better their classifiability against control subjects. In the future, the classifier of this study could be externally validated by applying it to independ-ent datasets and therefore potentially expand it with regard to the different genders and comorbidities.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	09.12.2024
Dateien geändert am:	09.12.2024
Promotionsantrag am:	02.04.2024
Datum der Promotion:	24.10.2024