Analisi di immagini PET [18F]-FDOPA cerebrali nella diagnosi della malattia di Parkinson

Abstract

Il progressivo invecchiamento della popolazione mondiale rende fondamentale volgere l’attenzione alle malattie neurodegenerative. Di recente sono stati definiti criteri diagnostici (biomarcatori) per identificare la patologia nelle sue prime fasi e rendere la terapia più efficace. L'attenzione si è quindi rivolta verso l'ottimizzazione delle procedure di neuroimaging, come la PET. Per la malattia di Parkinson (PD), ci sono evidenze che suggeriscono come il neurotrasmettitore dopamina possa giocare un importante ruolo nello sviluppo neurodegenerativo ed essere un difetto della sua sintesi a livello dei nuclei della base encefalici il punto di partenza del decorso patologico. La diagnosi si effettua principalmente mediante indagini PET con il radiofarmaco 18F-DOPA. In questo lavoro, è stata applicata una serie di strumenti di analisi statistica dei dati, con l'obbiettivo di confermare i biomarcatori già utilizzati per diagnosticare la PD dall'informazione funzionale e di trovarne di nuovi, in modo da accrescere il potere diagnostico dell'esame e portare ad una più sicura classificazione dei pazienti tra sani e malati. Sono state applicate tecniche di analisi delle componenti principali, di mappatura statistica parametrica e di deep learning, come le reti neurali convoluzionali. Queste tecniche sono state validate su dataset terzi e confrontate con un'analisi manuale di tipo regionale, al fine di testarne la robustezza. L'analisi ha permesso di evidenziare molteplici caratteristiche di captazione della PD, sia quelle macroscopiche già note che quelle di secondo ordine ancora da scoprire pienamente. Tra queste ultime, il rapporto di captazione tra i putamen e una piccola area appartenente al mesencefalo, ha espresso il potenziale maggiore nel distinguere le forme degenerative della malattia da quelle con nessuna alterazione dei percorsi neuronali dopaminergici nigro-striatali.

The progressive ageing of the world population makes it essential to turn our attention to neurodegenerative diseases. Diagnostic criteria (biomarkers) have recently been defined to identify the pathology in its early stages and make therapy more effective. The focus was therefore on optimising neuroimaging procedures, such as PET. For Parkinson’s disease (PD), there is evidence that suggests that the neurotransmitter dopamine may play an important role in the neurodegenerative development and be a defect of its synthesis at the level of the basal ganglia the starting point of the pathological course. Diagnosis is mainly by PET scans with the 18F-DOPA radio-pharmaceutical. In this work, a series of statistical data analysis tools has been applied, with the aim of confirming the biomarkers already used to diagnose PD from functional information and to find new ones, in order to increase the diagnostic power of the examination and lead to a clearer classification of patients between healthy and deseased. Principal component analysis, statistical parametric mapping and deep learning techniques such as convolutional neural networks have been applied. These techniques have been validated on other datasets and compared with a regional analysis to test their robustness. The analysis has allowed to highlight multiple uptake characteristics of PD, both the macroscopic ones already known and those of second order still to be fully uncovered. Among the latter, the uptake ratio between the putamen and a small area belonging to the midbrain, expressed the greatest potential in distinguishing the degenerative forms of the disease from those with no alteration of the nigro-striatal dopaminergic neuronal pathways.