Normalisatie van FDG-PET hersenscans van parkinsonpatiënten met machine learning
- 8 december 2024
Studie: Normalisatie van FDG-PET hersenscans van parkinsonpatiënten met machine learning
Onderzoeker: prof. dr. Klaus Leenders (UMCG)
Looptijd: 3 jaar
Subsidie: € 194.707
Wat is het doel van dit project?
“We proberen een belangrijk probleem in multicenter parkinsononderzoek op te lossen: verschillen in hersenscans tussen verschillende ziekenhuizen. Deze variatie ontstaat door verschillen in apparatuur, software en protocollen, waardoor het moeilijk is om resultaten tussen de onderzoekscentra goed met elkaar te vergelijken.
We willen een machine learning-methode ontwikkelen om deze FDG-PET hersenscans te normaliseren, zodat de verschillen verdwijnen. Zo hopen we meer betrouwbare resultaten te krijgen in studies naar ziektes zoals parkinson, dementie met Lewy bodies en alzheimer.”
Hoe ver zijn jullie al?
“We hebben al flinke vooruitgang geboekt. Ons onderzoeksteam bouwde voort op eerder werk en ontwikkelde een nieuwe methodiek: Iterated Relevance Matrix Analysis (IRMA). Prof. Michael Biehl (wiskunde en beeldvorming aan de Rijksuniversiteit Groningen) en promovenda Sofie Lövdal (UMCG) ontwikkelden deze mathematische methodes. Deze machine learning techniek helpt om de verschillen tussen hersenscans van verschillende ziekenhuizen te vinden en te verwijderen. De techniek is al toegepast op hersenscans van ziekenhuizen in Nederland, Italië en Israël. Elk ziekenhuis leverde scans van zowel gezonde mensen als van mensen met parkinson, dementie met Lewy bodies of alzheimer.”
Wat betekent deze ontwikkeling voor mensen met parkinson?
“Uiteindelijk willen we ervoor zorgen dat hersenscans van verschillende ziekenhuizen beter vergelijkbaar zijn, zonder vertekening. Dan zal de betrouwbaarheid van multicenterstudies verbeteren. De resultaten tot nu toe zijn veelbelovend. De volgende stap is om met deze techniek de metabolische veranderingen bij mensen met REM-slaapgedragsstoornissen te bestuderen en hun risico op het ontwikkelen van parkinson of Lewy body dementie te voorspellen.
Voor patiënten kan dit leiden tot nauwkeuriger diagnoses en een betere monitoring van de progressie van de ziekte. Voor onderzoekers maakt het effectievere studies van het brein mogelijk, omdat de gegevens betrouwbaarder zijn, wat leidt tot een beter begrip van de ziekte van Parkinson.
Het project laat ook zien hoe machine learning kan worden toegepast in klinische settings om vertekeningen weg te nemen en de nauwkeurigheid van gegevens te verbeteren, wat een belangrijke stap voorwaarts is voor multicenterstudies.”
Hoe meten jullie dat?
Frank: “Met biosensoren: in het brein van een muis brengen we een eiwit tot expressie. Dat eiwit gaat (sterker) fluoresceren bij aanwezigheid van (meer) dopamine.
Met dit soort sensoren kunnen we bekijken of de dopamine afgifte normaal is, of dit door stamceltherapie echt wordt hersteld en ook of de netwerkactiviteit – die dus wordt gereguleerd door die dopamine – echt wordt hersteld. Dit noemen we dynamische maten. Met de biosensor zien we hoeveel dopamine de cel afgeeft en welke netwerkactiviteit er is terwijl het dier gewoon motorisch gedrag vertoont of cognitieve taken uitvoert.”
Vanessa: “Is er een probleem rond de afgifte van dopamine? En is er herstel door de stamceltherapie? Het is belangrijk om de mechanismes te begrijpen. Daarom is het mooi dat er in Amerika al clinical trials waren, zo weten we dat dit een veilige methode is. De combinatietherapie is echter nog niet onderzocht.”
Waarom is het onderzoek nuttig?
Frank: “Het is belangrijk om te beseffen dat wanneer dopamine cellen afsterven, zoals in de ziekte van Parkinson, er als gevolg daarvan hele hersennetwerken uit het lood zijn geslagen. Het is daarom van belang om ook op dat netwerkniveau, en op het gerelateerde gedragsniveau, te kijken hoe je, met een behandeling, zoveel mogelijk functioneel herstel kunt krijgen.”
Vanessa: “Het is cruciaal om te kijken naar het dynamisch systeem en of dat wel of niet wordt gerepareerd. We kijken ook naar cognitieve problemen die al vóór motorische problemen optreden.”
Frank: “De opkomende complementaire technieken met humaan verkregen weefsel zijn interessant, maar daarnaast blijven ook experimenten nodig in modelsystemen, zoals de muis, waarbij er een integraal zenuwstelsel gekoppeld is aan motorisch en niet-motorisch gedrag. Dat kan niet in een petrischaal. Naast herstel van motorische functies kunnen we kijken naar herstel van niet-motorische functies, zoals aandacht, motivatie en impulsiviteit. Tijdens dergelijk gedrag kunnen we in het brein meten of dopamine correct wordt afgegeven en wat de staat is van de daardoor gereguleerde hersennetwerken. Cruciaal in de context van parkinson en herstel. We zijn dan ook dankbaar dat het ParkinsonFonds dit onderzoek sponsort, en de donateurs dankbaar voor hun steun.”
Vanessa: “Zeker, erg dankbaar! Het is niet makkelijk om financiering te krijgen voor fundamenteel onderzoek, terwijl het belangrijk is hierin te investeren. Het geeft de meeste kans op een oplossing voor de ziekte.”
