Dementie is een verwoestende ziekte waar wereldwijd miljoenen mensen aan leiden. De meest voorkomende oorzaak van dementie is de ziekte van Alzheimer. Voor het ontwikkelen van effectieve... Show moreDementie is een verwoestende ziekte waar wereldwijd miljoenen mensen aan leiden. De meest voorkomende oorzaak van dementie is de ziekte van Alzheimer. Voor het ontwikkelen van effectieve behandelingen is het belangrijk om dementie in een vroeg stadium te detecteren. Traditioneel alzheimeronderzoek is voornamelijk gericht op groepsverschillen tussen patiënten en controles. Recent onderzoek is deels verschoven naar individuele classificatie met machine learning. In dit proefschrift onderzoeken we het gebruik van magnetic resonance imaging (MRI) voor automatische detectie van de ziekte van Alzheimer, en vroege detectie van cognitieve achteruitgang. In dit proefschrift laten we zien dat het combineren van MRI modaliteiten de classificatie kan verbeteren. Ook laten we zien dat diffusie MRI een goede maat is om alzheimer te diagnosticeren. Bij toepassing van dezelfde methoden op een groep presymptomatische gendragers die amyloïdangiopathie zullen ontwikkelen vonden we geen verschillen tussen de gendragers en controles. Tevens waren we niet in staat om cognitieve achteruitgang na 4 jaar te voorspellen in een groep ouderen met verhoogd risico op achteruitgang. Met MRI kunnen betrouwbare individuele uitspraken gedaan kan worden over patiënten, maar het is met de huidige methoden niet gevoelig voor vroege detectie van cognitieve achteruitgang. Show less
Bouts, M.J.R.J.; Grond, J. van der; Vernooij, M.W.; Koini, M.; Schouten, T.M.; Vos, F. de; ... ; Rombouts, S.A.R.B. 2019
Several anatomical MRI markers for Alzheimer's disease (AD) have been identified. Hippocampal volume, cortical thickness, and grey matter density have been used successfully to discriminate AD... Show moreSeveral anatomical MRI markers for Alzheimer's disease (AD) have been identified. Hippocampal volume, cortical thickness, and grey matter density have been used successfully to discriminate AD patients from controls. These anatomical MRI measures have so far mainly been used separately. The full potential of anatomical MRI scans for AD diagnosis might thus not yet have been used optimally. In this study, we therefore combined multiple anatomical MRI measures to improve diagnostic classification of AD. For 21 clinically diagnosed AD patients and 21 cognitively normal controls, we calculated (i) cortical thickness, (ii) cortical area, (iii) cortical curvature, (iv) grey matter density, (v) subcortical volumes, and (vi) hippocampal shape. These six measures were used separately and combined as predictors in an elastic net logistic regression. We made receiver operating curve plots and calculated the area under the curve (AUC) to determine classification performance. AUC values for the single measures ranged from 0.67 (cortical thickness) to 0.94 (grey matter density). The combination of all six measures resulted in an AUC of 0.98. Our results demonstrate that the different anatomical MRI measures contain complementary information. A combination of these measures may therefore improve accuracy of AD diagnosis in clinical practice. Hum Brain Mapp 37:1920-1929, 2016. (c) 2016 Wiley Periodicals, Inc. Show less
