Utilitat dels models matemàtics amb neuroimatge pel diagnòstic i l'estudi de la variabilitat en la malaltia d'Alzheimer i la demència frontotemporal

Abstract

[cat] La tesi titulada "Utilitat dels models matemàtics amb neuroimatge pel diagnòstic i l'estudi de la variabilitat en la malaltia d'Alzheimer i la demència frontotemporal" explora la utilitat de diferents models matemàtics i estadístics en el context de la neuroimatge pel diagnòstic i seguiment de la malaltia d'Alzheimer (MA) i la demència frontotemporal (DFT). A més estudiem quina influència podria tenir la variabilitat que presenten aquestes malalties per poder ser més precisos en el seu diagnòstic i pronòstic. El primer estudi és una investigació metodològica sobre diferents opcions estadístiques per analitzar dades longitudinals i com això pot impactar la validesa dels resultats, utilitzant una base de dades de pacients amb MA. Observem que per bases de dades homogènies les dues aproximacions estadístiques estudiades (freqüentista i bayesiana) tenen un comportament similar. En canvi, quan les dades són heterogènies i amb un elevat nombre de visites que manquen, només l'aproximació bayesiana permet modelar les dades. El segon estudi se centra en l'estudi de la variabilitat dels patrons de gruix cortical en el context de MA i DFT. I com la variabilitat a nivell estructural del cervell pot estar relacionada amb biomarcadors biològics i cognitius. En ser un estudi a nivell basal i longitudinal, això ens permet fer una predicció en el futur sobre el valor del gruix cortical en funció dels anys que es porta patint la malaltia. El tercer treball explora amb algoritmes d'aprenentatge automàtic (supervisat i no supervisat) el diagnòstic automàtic tant a nivell basal com longitudinal de pacients amb MA, DFT i persones sanes, sense perdre la interpretabilitat dels algoritmes. Obtenim una precisió més elevada pel diagnòstic automàtic (inclòs el diferencial entre MA i DFT) amb les dades longitudinals. El quart treball està molt relacionat amb el tercer, ja que té el mateix objectiu, però en aquest cas explorem la fiabilitat de l'algoritme quan dona la classificació, això ens permet identificar pacients que estan en una zona segura del diagnòstic i altres que estan en la zona gris, i ens preguntem si altres proves podrien ajudar en el seu diagnòstic o són innecessàries. La contribució diferencial de la ressonància magnètica estructural i els biomarcadors en líquid cefalorraquidi depèn dels grups clínics a classificar, així, pel diagnòstic diferencial entre MA i DFT, la combinació de les dues modalitats és la que assoleix la millor classificació. El cinquè estudi consisteix en la definició d'un índex d’asimetria cortical per l'estudi de la MA i la DFT, i en especial, per identificar diferents subgrups dins de cada malaltia. A més, aquest índex és capaç d'identificar la variant semàntica respecte a la variant no fluent i la variant conductual. Finalment, en l'últim estudi s'analitzen pacients amb una mutació genètica C9orf72 causant de la DFT per entendre els canvis que succeeixen abans i durant l'aparició dels diferents símptomes. I podem observar que la pèrdua de substància blanca del tronc encefàlic podria ser un marcador pel seguiment de la malaltia, indicant els pacients amb afectació de neurones motores

[eng] The thesis entitled "Utilitat dels models matemàtics amb neuroimatge pel diagnòstic i l'estudi de la variabilitat en la malaltia d'Alzheimer i la demència frontotemporal" explores the usefulness of different mathematical and statistical models in the context of neuroimaging for the diagnosis and follow-up of Alzheimer's disease (AD) and frontotemporal dementia (FTD). Additionally, we examine the impact of the variability presented in these diseases to obtain a more precise diagnosis and prognosis. The first study is a methodological investigation of different statistical options for analyzing longitudinal data and how this can impact the validity of the results using a database of patients with AD. The second study focuses on studying the variability of cortical thickness patterns in the context of AD and FTD and how structural brain variability may be related to biological and cognitive biomarkers. The third work explores automatic diagnostics using machine learning algorithms (supervised and unsupervised) both at baseline and longitudinally for patients with AD, FTD, and healthy individuals without losing the interpretability of the algorithms. The fourth work is closely related to the third, as it has the same objective, but in this case, we explore the algorithm's reliability when providing the classification. This allows us to identify patients in the safe zone of diagnosis and others in the grey zone, and we ask whether other tests could help in their diagnosis or are unnecessary. The fifth study consists of defining a cortical asymmetry index for the study of AD and FTD, especially to identify different subgroups within each disease. Finally, in the last study, patients with a C9orf72 genetic mutation causing FTD are analyzed to understand the changes that occur before and during the onset of different symptoms. We can observe that the loss of white matter in the brainstem could be a marker for disease monitoring, indicating patients with motor neuron involvement.