Dynamic Prediction of Dementia Using Functional Joint Models and Bayesian Model Averaging with Multiple Longitudinal Imaging Data

Early detection of dementia is challenging as preclinical pathology occurs before cognitive decline. These changes are captured by MRI (cortical and hippocampal atrophy) and PET (amyloid-beta and tau accumulations). Since single modality offers limited insights, integrating multimodal image data is critical for dynamic prediction. We propose a novel framework to synthesize multiple imaging modalities. Independent functional joint models (FJMs) are fitted to each longitudinal image for time-to-event outcomes, with dynamic predictions combined by weighted Bayesian model averaging. A time-dependent weight for each model is optimized by minimizing the Brier Score, reflecting the predictive importance of each modality over time. Simulations show that multi-image weighted predictions outperform single-image FJM. We apply this approach to the Alzheimer's Disease Neuroimaging Initiative dataset, integrating longitudinal PET scans with MRI segmented into multiple regions to predict dementia.

Prédiction dynamique de la démence à l'aide de modèles conjoints fonctionnels et de la moyenne bayésienne de modèles avec plusieurs données d'imagerie longitudinales

Le dépistage précoce de la démence est difficile, car la pathologie préclinique survient avant le déclin cognitif. Ces changements sont détectés par IRM (atrophie corticale et hippocampique) et TEP (accumulations d'amyloïde bêta et de tau). Étant donné qu'une seule modalité offre des informations limitées, l'intégration de données d'imagerie multimodales est essentielle pour une prédiction dynamique. Nous proposons un nouveau cadre pour synthétiser plusieurs modalités d'imagerie. Des modèles fonctionnels conjoints indépendants (FJM) sont adaptés à chaque image longitudinale pour les résultats en termes de délai avant événement, avec des prédictions dynamiques combinées par une moyenne bayésienne pondérée des modèles. Une pondération dépendante du temps pour chaque modèle est optimisée en minimisant le score de Brier, qui reflète l'importance prédictive de chaque modalité au fil du temps. Les simulations montrent que les prédictions pondérées multi-images sont plus performantes que les FJM à image unique. Nous appliquons cette approche à l'ensemble de données de l'Alzheimer's Disease Neuroimaging Initiative, en intégrant des scanneurs TEP longitudinaux à des IRM segmentées en plusieurs régions afin de prédire la démence.

Session

Progrès en imagerie cérébrale et en modélisation des maladies du cerveau

Date and Time