Vai trò của chụp cắt lớp phát xạ positron bằng 2-[18F]fluoro-2-deoxy-D-glucose như một yếu tố tiên đoán sống còn trong xơ cứng teo cơ một bên

European Journal of Nuclear Medicine - 2023
Antonio Canosa1, Antonello Rizzi2, Umberto Manera1, Rosario Vasta1, Maurizio Grassano1, Francesca Palumbo1, Sara Cabras1, Francesca Di Pede1, Vincenzo Arena3, Cristina Moglia4, Alessandro Giuliani5, Andrea Calvo4, Adriano Chiò4, Marco Pagani2
1ALS Centre, “Rita Levi Montalcini” Department of Neuroscience, University of Turin, Via Cherasco 15, 10126, Turin, Italy
2Institute of Cognitive Sciences and Technologies, C.N.R, Rome, Italy
3Positron Emission Tomography Centre AFFIDEA-IRMET S.p.A, Turin, Italy
4SC Neurologia 1U, Azienda Ospedaliero-Universitaria Città della Salute e della Scienza di Torino, Turin, Italy
5Environment and Health Department, Istituto Superiore di Sanità, Rome, Italy

Tóm tắt

Tóm tắt Mục đích Sự xác định các công cụ tiên đoán trong bệnh xơ cứng teo cơ một bên (ALS) sẽ cải thiện thiết kế các thử nghiệm lâm sàng, quản lý bệnh nhân và lập kế hoạch cuộc sống. Mục tiêu của chúng tôi là đánh giá độ chính xác của chụp cắt lớp phát xạ positron 2-[18F]fluoro-2-deoxy-D-glucose (2-[18F]FDG-PET) như một yếu tố tiên đoán độc lập về khả năng sống sót trong ALS. Phương pháp Một nghiên cứu đoàn hệ tiềm năng đã tuyển chọn 418 bệnh nhân ALS, những người đã thực hiện chụp 2-[18F]FDG-PET ở thời điểm chẩn đoán và có thời gian sống sót đã được ghi nhận. Chúng tôi đã phân loại thời gian sống sót thành một số lớp hữu hạn theo cách dữ liệu tự động bằng cách sử dụng chiến lược tương tự k-means. Chúng tôi đã xác định “các vùng não nóng” có sức mạnh tối đa trong việc phân biệt các lớp sống sót, bằng cách đánh giá điểm Laplacian theo cách nhận thức lớp. Chúng tôi đã giữ lại các đặc điểm hàng đầu-m cho mỗi lớp để đào tạo các hệ thống phân loại (tức là, máy vector hỗ trợ, SVM), sử dụng 10% đoàn hệ ALS làm bộ dữ liệu thử nghiệm. Kết quả Dữ liệu đã được phân loại thành ba hồ sơ sống sót: 0–2 năm, 2–5 năm và > 5 năm. SVM có tỷ lệ lỗi < 20% cho hai trong ba lớp tách biệt. Đối với lớp một, các cụm phân biệt bao gồm thân caudate bên trái và vỏ não cingulate trước. Các vùng phân biệt nhất là hai bên tháp tiểu não trong lớp hai, và nhân răng tiểu não bên phải cùng với nốt tiểu não bên trái trong lớp ba. Kết luận Chụp cắt lớp phát xạ positron bằng 2-[18F]FDG-PET cùng với trí tuệ nhân tạo đã có thể dự đoán với độ chính xác cao khoảng thời gian sống sót trong đoàn hệ ALS của chúng tôi. Các chuyên gia chăm sóc sức khỏe có thể hưởng lợi từ công cụ tiên đoán này để lập kế hoạch quản lý và theo dõi bệnh nhân. 2-[18F]FDG-PET đại diện cho một dấu ấn sinh học tiềm năng cho phân loại bệnh nhân cá nhân trong các thử nghiệm lâm sàng. Việc thiếu một xác nhận bên ngoài đa trung tâm của mô hình yêu cầu cần có thêm các nghiên cứu để đánh giá khả năng tổng quát của nó.

Từ khóa


Tài liệu tham khảo

van Es MA, Hardiman O, Chio A, Al-Chalabi A, Pasterkamp RJ, Veldink JH, et al. Amyotrophic lateral sclerosis. Lancet Lond Engl. 2017;390:2084–98.

Chiò A, Logroscino G, Hardiman O, Swingler R, Mitchell D, Beghi E, et al. Prognostic factors in ALS: a critical review. Amyotroph Lateral Scler Off Publ World Fed Neurol Res Group Mot Neuron Dis. 2009;10:310–23.

Brooks BR, Miller RG, Swash M, Munsat TL. El Escorial revisited: revised criteria for the diagnosis of amyotrophic lateral sclerosis. Amyotroph Lateral Scler Other Motor Neuron Disord. 2000;1.

Nguyen C, Caga J, Mahoney CJ, Kiernan MC, Huynh W. Behavioural changes predict poorer survival in amyotrophic lateral sclerosis. Brain Cogn. 2021;150:105710.

Xu L, He B, Zhang Y, Chen L, Fan D, Zhan S, et al. Prognostic models for amyotrophic lateral sclerosis: a systematic review. J Neurol. 2021;268(9):3361–70.

Van Laere K, Vanhee A, Verschueren J, De Coster L, Driesen A, Dupont P, et al. Value of 18fluorodeoxyglucose-positron-emission tomography in amyotrophic lateral sclerosis: a prospective study. JAMA Neurol. 2014;71:553–61.

Van Weehaeghe D, Ceccarini J, Delva A, Robberecht W, Van Damme P, Van Laere K. Prospective validation of 18F-FDG brain PET discriminant analysis methods in the diagnosis of amyotrophic lateral sclerosis. J Nucl Med Off Publ Soc Nucl Med. 2016;57:1238–43.

Zanovello M, Sorarù G, Campi C, Anglani M, Spimpolo A, Berti S, et al. Brain stem glucose hypermetabolism in amyotrophic lateral sclerosis/frontotemporal dementia and shortened survival: an 18F-FDG PET/MRI study. J Nucl Med Off Publ Soc Nucl Med. 2022;63:777–84.

van der Burgh HK, Schmidt R, Westeneng H-J, de Reus MA, van den Berg LH, van den Heuvel MP. Deep learning predictions of survival based on MRI in amyotrophic lateral sclerosis. NeuroImage Clin. 2017;13:361–9.

Agosta F, Spinelli EG, Riva N, Fontana A, Basaia S, Canu E, et al. Survival prediction models in motor neuron disease. Eur J Neurol. 2019;26:1143–52.

Balendra R, Jones A, Jivraj N, Knights C, Ellis CM, Burman R, et al. Estimating clinical stage of amyotrophic lateral sclerosis from the ALS functional rating scale. Amyotroph Lateral Scler Front Degener. 2014;15:279–84.

Varrone A, Asenbaum S, Vander Borght T, Booij J, Nobili F, Någren K, et al. EANM procedure guidelines for PET brain imaging using [18F]FDG, version 2. Eur J Nucl Med Mol Imaging. 2009;36:2103–10.

Della Rosa PA, Cerami C, Gallivanone F, Prestia A, Caroli A, Castiglioni I, et al. A standardized [18F]-FDG-PET template for spatial normalization in statistical parametric mapping of dementia. Neuroinformatics. 2014;12:575–93.

Ho SY, Wong L, Goh WWB. Avoid oversimplifications in machine learning: going beyond the class-prediction accuracy. Patterns N Y N. 2020;1:100025.

He X, Cai D, Niyogi P. Laplacian score for feature selection. In: proceedings of the 18th international conference on neural information processing systems. NIPS’05. Vancouver, British Columbia, Canada: MIT Press, 2005, pp. 507–514.

Vapnik VN. Statistical learning theory. New York: Wiley; 1998.

Snoek J, Larochelle H, Adams RP. Practical Bayesian optimization of machine learning algorithms. Proc 25th Int Conf Neural Inf Process Syst -, vol. 2. Red Hook, NY, USA: Curran Associates Inc.; 2012. p. 2951–9.

Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ. 2015;350:g7594.

Westeneng H-J, Debray TPA, Visser AE, van Eijk RPA, Rooney JPK, Calvo A, et al. Prognosis for patients with amyotrophic lateral sclerosis: development and validation of a personalised prediction model. Lancet Neurol. 2018;17:423–33.

Lunetta C, Lizio A, Melazzini MG, Maestri E, Sansone VA. Amyotrophic lateral sclerosis survival score (ALS-SS): a simple scoring system for early prediction of patient survival. Amyotroph Lateral Scler Front Degener. 2015;17:93–100.

Chiò A, Mazzini L, Mora G. Disease-modifying therapies in amyotrophic lateral sclerosis. Neuropharmacology. 2020;167:107986.

van Eijk RPA, Kliest T, van den Berg LH. Current trends in the clinical trial landscape for amyotrophic lateral sclerosis. Curr Opin Neurol. 2020;33:655–61.

van den Berg LH, Sorenson E, Gronseth G, Macklin EA, Andrews J, Baloh RH, et al. Revised Airlie house consensus guidelines for design and implementation of ALS clinical trials. Neurology. 2019;92:e1610–23.

Brettschneider J, Del Tredici K, Toledo JB, Robinson JL, Irwin DJ, Grossman M, et al. Stages of pTDP-43 pathology in amyotrophic lateral sclerosis. Ann Neurol. 2013;74:20–38.

Braak H, Del Tredici K. Anterior cingulate cortex TDP-43 pathology in sporadic amyotrophic lateral sclerosis. J Neuropathol Exp Neurol. 2018;77:74–83.

Pagani M, Chio A, Valentini MC, Oberg J, Nobili F, Calvo A, et al. Functional pattern of brain FDG-PET in amyotrophic lateral sclerosis. Neurology. 2014;83:1067–74.

Mitoma H, Buffo A, Gelfo F, Guell X, Fucà E, Kakei S, et al. Consensus paper. Cerebellar reserve: from cerebellar physiology to cerebellar disorders. Cerebellum Lond Engl. 2020;19:131–53.

Ibáñez V, Pietrini P, Alexander GE, Furey ML, Teichberg D, Rajapakse JC, et al. Regional glucose metabolic abnormalities are not the result of atrophy in Alzheimer’s disease. Neurology. 1998;50:1585–93.

Cutillo CM, Sharma KR, Foschini L, Kundu S, Mackintosh M, Mandl KD, et al. Machine intelligence in healthcare-perspectives on trustworthiness, explainability, usability, and transparency. NPJ Digit Med. 2020;3:47.

Thông tin
Thông tin xuất bản

European Journal of Nuclear Medicine

Thông tin tác giả