KIPS Transactions on Software and Data Engineering (정보처리학회논문지:소프트웨어 및 데이터공학)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Diagnosis of Parkinson's Disease Using Two Types of Biomarkers and Characterization of Fiber Pathways

두 가지 유형의 바이오마커를 이용한 파킨슨병의 진단과 신경섬유 경로의 특징 분석

  • 강신태 (인하대학교 컴퓨터정보공학과) ;
  • 이욱 (인하대학교 컴퓨터정보공학과) ;
  • 박병규 (인하대학교 컴퓨터정보공학과) ;
  • 한경숙 (인하대학교 컴퓨터정보공학과)
  • Received : 2014.07.08
  • Accepted : 2014.08.14
  • Published : 2014.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

Like Alzheimer's disease, Parkinson's Disease(PD) is one of the most common neurodegenerative brain disorders. PD results from the deterioration of dopaminergic neurons in the brain region called the substantia nigra. Currently there is no cure for PD, but diagnosing in its early stage is important to provide treatments for relieving the symptoms and maintaining quality of life. Unlike many diagnosis methods of PD which use a single biomarker, we developed a diagnosis method that uses both biochemical biomarkers and imaging biomarkers. Our method uses ${\alpha}$-synuclein protein levels in the cerebrospinal fluid and diffusion tensor images(DTI). It achieved an accuracy over 91.3% in the 10-fold cross validation, and the best accuracy of 72% in an independent testing, which suggests a possibility for early detection of PD. We also analyzed the characteristics of the brain fiber pathways of Parkinson's disease patients and normal elderly people.

파킨슨병은 뇌의 흑질 영역에서 도파민계 신경이 파괴되는 질병으로 알츠하이머병과 함께 대표적인 퇴행성 뇌 질환이다. 현재까지 병을 완치시킬 수 있는 치료법은 없지만 병의 진행을 완화시킬 수 있는 치료법이 존재하기 때문에 병의 진단이 굉장히 중요하다. 파킨슨병을 진단하기 위한 과거의 연구는 대부분 단일 바이오마커를 이용한 것으로 이러한 방법은 파킨슨병 환자를 높은 정확도로 진단할 수 있지만 정상인에 대한 진단은 상대적으로 낮은 성능의 한계성이 존재한다. 따라서 본 연구에서는 생화학적 바이오마커인 뇌척수액 내의 ${\alpha}$-synuclein 단백질 수치와 영상학적 바이오마커인 확산 텐서 영상의 여러 모수들을 결합하여 특징으로 사용하는 파킨슨병 진단 모델을 개발하고 성능을 평가하였다. 진단을 위해 개발된 모든 모델은 10-fold cross validation 성능평가에서 정확도가 최고 91.3%의 높은 성능을 보였으며, test 성능평가에서는 확산 텐서 영상의 모수들 중 FA와 ${\alpha}$-synuclein 단백질 수치가 결합된 모델, MO와 ${\alpha}$-synuclein 단백질 수치가 결합된 두 모델에서 최고 72%의 정확도 성능을 보여 파킨슨병의 진단에 유용하게 사용될 수 있는 가능성을 제시하였다. 파킨슨병의 진단을 위해 개발된 모델의 영상학적 특징 벡터를 통하여 파킨슨병 환자와 정상인의 신경섬유 경로의 특징을 분석하였다.

Keywords

References

  1. J. Jankovic, "Parkinson's disease: clinical features and diagnosis", J Neurol Neurosurg Psychiatry, Vol.79, pp.368-376, 2008. https://doi.org/10.1136/jnnp.2007.131045
  2. B. Lars, G. Paul, and F. Marc, "Advances in the pharmacological treatment of Parkinson's disease: targeting neurotransmitter systems", Trends in Neurosciences, Vol.36, Issue 9, pp.543-554, 2013. https://doi.org/10.1016/j.tins.2013.06.003
  3. E. Moro, A. E. Lang, "Criteria for deep-brain stimulation in Parkinson's disease: review and analysis", Expert Review of Neurotherapeutics, Vol.6, Issue 11, pp.1695-1705, 2006. https://doi.org/10.1586/14737175.6.11.1695
  4. D. A. Seehusen, M. M. Reeves, and D. A. Fomin, "CSF analysis", Am Fam Physician, Vol.68, pp.1103-1108, 2003.
  5. S. Min, B. Joshua, M. H. Aneeka, A. C. Kathryn, F. Q. Joseph, R. P. Elaine, G. Douglas, J. Joseph, P. Z. Cyrus, M. K. Hojoong, B. L. James, J. M. Thomas, G. Carmen, K. Un-Jung, C. C. Kevin, W. Yu, A. Jan, G. David, and Z. Jing, "Cerebrospinal Fluid Biomarkers for Parkinson Disease Diagnosis and Progression", Annals of Neurology, Vol.69, Issue 3, pp.570-580, 2011. https://doi.org/10.1002/ana.22311
  6. K. B. Mona, C. J. Carmen, P. L. Jan, and A. Dag, "A magnetic resonance imaging study of patients with Parkinson's disease with mild cognitive impairment and dementia using voxel-based morphometry", J Neurol Neurosurg Psychiatry, Vol.78, pp.254-259, 2007.
  7. O. Kenichi, M. M. Michelle, A. Marilyn, G. L. Constantine, and M. Susumu, "DTI analyses and clinical applications in Alzheimer's disease", Journal of Alzheimer's Disease, Vol.26, Suppl. 3, pp.287-296, 2011.
  8. P. H. Christopher, "Update on diffusion tensor imaging in Alzheimer's disease", Magnetic Resonance Imaging Clinics of North America, Vol.17, Issue 2, pp.215-224, 2009. https://doi.org/10.1016/j.mric.2009.02.003
  9. J. Mark, F. B. Christian, E. J. B. Timothy, W. W. Mark, and M. S. Stephen, "FSL", Neuroimage, Vol.62, Issue 2, pp.782-790, 2012. https://doi.org/10.1016/j.neuroimage.2011.09.015
  10. M. S. Stephen, "Fast robust automated brain extraction", Human Brain Mapping, Vol.17, Issue 3, pp.143-155, 2002. https://doi.org/10.1002/hbm.10062
  11. L. R. A. Jesper, J. Mark, and S. Stephen, "Non-linear registration, aka spatial normalization", FMRIB Technical Report TR07JA2, 2006.
  12. S. M. Smith, M. Jenkinson, H. Johansen-Berg, D. Rueckert, T. E. Nichols, C. E. Mackay, K. E. Watkins, O. Ciccarelli, M. Z. Cader, P. M. Matthews, and T.E. Behrens, "Tract-based spatial statistics: voxelwise analysis of multi-subject diffusion data", Neuroimage, Vol.31, Issue 4, pp.1487-1505, 2006. https://doi.org/10.1016/j.neuroimage.2006.02.024
  13. D. B. Ennis, G. Kindlmann, "Orthogonal tensor invariants and the analysis of diffusion tensor magnetic resonance images", Magnetic Resonance in Medicine, Vol.55, Issue 1, pp.136-146, 2006. https://doi.org/10.1002/mrm.20741
  14. R. S. Marko, K. Igor, "Theoretical and Empirical Analysis of ReliefF and RReliefF", Machine Learning, Vol.53, pp.23-69, 2003. https://doi.org/10.1023/A:1025667309714
  15. V. Lepetit, P. Fua, "Keypint recognition using randomized trees", IEEE PAMI, Vol.28, pp.1465-1479, 2006. https://doi.org/10.1109/TPAMI.2006.188
  16. R. O. Duda, P. E. Hart, and D. G. Stork, "Pattern Classification", 2nd ed., Wiley, 2002.
  17. D. N. Kennedy, N. Lange, N. Makris, J. Bates, J. Meyer, and V. S. Jr. Caviness, "Gyri of the human neocortex: an MRI-based analysis of volume and variance", Cereb Cortex Vol.8, pp.372-384, 1998. https://doi.org/10.1093/cercor/8.4.372
  18. S. Murray Sherman, R. W. Guillery, "Exploring the Thalamus", 1st ed., Academic Press, 2000.
  19. S. T. Kang, W. Lee, B. K. Park, and K. S. Han, "Development of a model for early detection of Parkinson's disease using diffusion tensor imaging and cerebrospinal fluid", Spring Conference of the KIPS, pp.753-756, 2014.