Machine learning in the clinical and language characterisation of primary progressive aphasia variants

Abstract

La afasia primaria progresiva (APP) es un síndrome clínico de origen neurodegenerativo con 3 variantes principales: no fluente, semántica y logopénica. Sin embargo, existe cierta controversia sobre la existencia de subtipos adicionales. Nuestro objetivo era estudiar las características lingüísticas y cognitivas asociadas a una nueva clasificación propuesta para la PPA. Nuestros métodos se centran en sesenta y ocho pacientes con PPA en fases tempranas de la enfermedad y 20 controles sanos a los que se evaluó con un protocolo exhaustivo de lenguaje y cognición. También se les evaluó con tomografía por emisión de positrones (PET) con 18F-FDG. Los pacientes se clasificaron según el metabolismo regional de la PET con FDG, utilizando nuestro algoritmo desarrollado previamente basado en un análisis de conglomerados aglomerativo jerárquico con el método de vinculación de Ward. Se encontraron cinco variantes, con las variantes no fluente y logopénica divididas en 2 subtipos. Se utilizaron técnicas de aprendizaje automático para predecir cada variante en función de los resultados de la evaluación lingüística. Como resultado, el tipo 1 no fluente se asoció con un peor rendimiento en la repetición de frases y la lectura de palabras irregulares que el tipo 2 no fluente. Por el contrario, el segundo grupo mostró un mayor grado de apraxia del habla. Los pacientes con variante logopénica tipo 1 obtuvieron peores resultados en la denominación de acciones que los pacientes con variante logopénica tipo 2. Las evaluaciones del lenguaje fueron predictivas de los subtipos basados en el TEP en un 86%e89% de casos mediante análisis de agrupación y análisis de componentes principales. Conclusiones: Nuestro estudio apoya la existencia de 5 variantes de PPA. Estas variantes muestran algunas diferencias en el lenguaje y en las características de las imágenes FDG PET. Los algoritmos de aprendizaje automático que utilizan datos de pruebas lingüísticas fueron capaces de predecir cada una de las 5 variantes de PPA con un grado relativamente alto de precisión, y permiten la posibilidad de un diagnóstico automatizado y asistido por máquina de las variantes de PPA.

Introduction: Primary progressive aphasia (PPA) is a clinical syndrome of neurodegenerative origin with 3 main variants: non-fluent, semantic, and logopenic. However, there is some controversy about the existence of additional subtypes. Our aim was to study the language and cognitive features associated with a new proposed classification for PPA. Material and methods: Sixty-eight patients with PPA in early stages of the disease and 20 healthy controls were assessed with a comprehensive language and cognitive protocol. They were also evaluated with 18F-FDG positron emision tomography (PET). Patients were classified according to FDG PET regional metabolism, using our previously developed algorithm based on a hierarchical agglomerative cluster analysis with Ward's linkage method. Five variants were found, with both the non-fluent and logopenic variants being split into 2 subtypes. Machine learning techniques were used to predict each variant according to language assessment results. Results: Non-fluent type 1 was associated with poorer performance in repetition of sentences and reading of irregular words than non-fluent type 2. Conversely, the second group showed a higher degree of apraxia of speech. Patients with logopenic variant type 1 performed more poorly on action naming than patients with logopenic type 2. Language assessments were predictive of PET-based subtypes in 86%–89% of cases using clustering analysis and principal components analysis. Conclusions: Our study supports the existence of 5 variants of PPA. These variants show some differences in language and FDG PET imaging characteristics. Machine learning algorithms using language test data were able to predict each of the 5 PPA variants with a relatively high degree of accuracy, and enable the possibility of automated, machine-aided diagnosis of PPA variants