Project

Discipline

Persistent Homology; Topological Data Analysis; Alzheimer's Disease; Time-varying Data; Connectivity Analysis; Machine Learning

Lead
Die Alzheimer-Krankheit ist eine neurodegenerative Erkrankung, d.h. eine Erkrankung, die sich durch eine schleichende Zerstörung von Neuronen - Nervenzellen - auszeichnet. Im fortschreitenden Verlauf sorgt Alzheimer nicht nur für den Verlust des Erinnerungsvermögens, sondern macht auch einfache Alltagsaufgaben, wie beispielsweise die Körperpflege oder Nahrungsaufnahme, unmöglich. Es gibt zwar Medikamente, welche die Symptome von Alzheimer behandeln, um den Krankheitsverlauf zu verlangsamen. Die Krankheit selbst ist jedoch bis dato irreversibel. Eine Untersuchung ihres Verlaufs ist daher von höchster Wichtigkeit. Da Alzheimer in die Verbindungen von Neuronen, d.h. deren Konnektivität, eingreift, wird dieses Projekt mit neuen mathematischen Methoden aus dem Bereich der computergestützten Topologie - dem Teilgebiet der Mathematik, das Lagebeziehungen komplexer Objekte studiert - die Veränderungen der Konnektivität des Gehirns von Alzheimer-Patienten analysieren.
Lay summary
Das Ziel dieses Projektes ist es, ein besseres Verständnis über den Verlauf von Alzheimer auf der Ebene der Konnektivität des Gehirns zu erhalten. Zu diesem Zweck werden neue topologische Verfahren entwickelt, die in der Lage sind, Änderungen der Konnektivität in einer Form zu erfassen, welche die Benutzung von Methoden des maschinellen Lernens ermöglicht. Diese werden dann genutzt, um den Krankheitsverlauf bei Patienten basierend auf Magnetresonanztomographievolumina besser vorherzusagen, sowie eine Gruppierung von Patienten bezüglich der Schwere der Krankheit vorzunehmen. Von derartigen Analysen erhoffen wir uns ein besseres Verständnis von den Prozessen, die Alzheimer beeinflussen. Unser Projekt wird ein besseres Verständnis des Verlaufs der Alzheimer-Krankheit liefern und dabei insbesondere auf die Besonderheiten von einzelnen Patienten sowie Patientengruppen eingehen. Die gewonnenen Ergebnisse werden die Behandlung und Diagnose der Krankheit im klinischen Umfeld unterstützen.

Direct link to Lay Summary

Last update: 20.01.2020

Alzheimer’s disease (AD) is the sixth-leading cause of death for Americans ages 65 years and older. It is an irreversible, progressive brain disorder that slowly destroys memory and, eventually, an individual’s ability to perform even the simplest tasks, such as bathing, feeding, and dressing. Beyond the immediate health consequences, the societal costs are of epidemic proportion, thus making AD a pressing public health and medical problem. With disease-modifying treatment trials still unsuccessful at the present time and only medications to treat symptoms available, an emerging research initiative is to identify approaches to intervene before the damage begins, making it potentially possible to prevent AD.As AD is known to affect brain connectivity, analysing said connectivity can lead to a better understanding of how the disease progresses. The proposed project is in a unique position: on the one hand, advances in imaging techniques have resulted in a large number of data sets available. The Alzheimer’s Disease Neuroimaging Initiative (ADNI), for example, has recruited cohorts that are monitored over a prolonged period of time, using a variety of imaging techniques and reporting numerous clinical scores. On the other hand, recent advances in data analysis methods resulted in the development of topological data analysis (TDA), a new domain that employs methods from algebraic topology and differential topology to study the connectivity of complex data sets in a variety of different application areas. We propose using these methods to analyse brain connectivity based on neuroimaging data. This will necessitate the development of new TDA methods for handling time-varying data-a challenge that is hitherto only partially addressed by previous research in the context of low-dimensional signal processing or time series analysis. Moreover, making use of recent advances in topology-based machine learning, we also aim to analyse time-varying topological changes in a supervised and unsupervised setting in order to (i) build predictive models (for predicting AD severity and progression), and (ii) to detect patient subgroups (with a similar progression of AD).This project will generate new knowledge on AD progression, which will help guide future research into the topic. Since this project will be performed under the auspices of clinicians that are experts in AD, it the results of the predictive models and the patient subgroups can also be linked back to clinical scores and lab measurements, for example. This can lead to insights about (clinical) markers that predict AD progression. Finally, we will make our code and analyses publicly available as an open source project to share them with the research community at large and fostering new collaborations.