Detección de la etapa de la enfermedad de Alzheimer basada en la extracción de biomarcadores utilizando un enfoque de...

Área de la Ciencia:

• Imágenes neurológicas
• Inteligencia artificial
• Ingeniería biomédica

Sus antecedentes:

• La enfermedad de Alzheimer (EA) se caracteriza por un deterioro cognitivo progresivo y pérdida de memoria.
• El diagnóstico precoz de la EA es fundamental para el tratamiento eficaz y la preservación de la función diaria.
• Los métodos actuales de detección de AD se enfrentan a desafíos que incluyen el exceso de ajuste del modelo, los biomarcadores subutilizados y los datos de imágenes ruidosos.

Objetivo del estudio:

• Desarrollar un nuevo marco de aprendizaje profundo para mejorar la identificación de las etapas de la enfermedad de Alzheimer.
• Abordar las limitaciones de las técnicas de diagnóstico de AD existentes, como el exceso de ajuste y el ruido de los datos.

Principales métodos:

• Utilizó imágenes de resonancia magnética estructural como datos de diagnóstico primarios.
• Técnicas aplicadas de mejora de la imagen (igualización del histograma, umbral suave wavelet) para la reducción del ruido.
• Segmentación de biomarcadores implementada (ventricular, hipocampo) optimizada con un algoritmo de luciérnaga.
• Se ha realizado una reducción de dimensionalidad utilizando el análisis discriminante lineal para mitigar el exceso de ajuste.
• Empleó una red de creencias profundas optimizada a través de Cuckoo Search para la clasificación y el aprendizaje de características.

Principales resultados:

• El marco de aprendizaje profundo propuesto demostró una mayor precisión en la detección de la etapa de EA.
• Se logró un aumento del 0,66% en la precisión y una disminución del 0,0345% en la tasa de error en comparación con los métodos existentes.

Conclusiones:

• La estrategia de aprendizaje profundo desarrollada muestra una promesa significativa para la identificación temprana y precisa de la etapa de la enfermedad de Alzheimer.
• Las mejoras en la segmentación, la reducción de dimensionalidad y la clasificación contribuyen al rendimiento diagnóstico mejorado del marco.
• Este enfoque representa un avance significativo en el campo del diagnóstico de la enfermedad de Alzheimer.