Un clasificador multidimensional de extremo a extremo en 3D para el diagnóstico de la enfermedad de Alzheimer

Área de la Ciencia:

• Imágenes neurológicas
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• El diagnóstico de la enfermedad de Alzheimer (EA) se basa en la integración de varios tipos de datos, incluidas las imágenes cerebrales estructurales (IRM) y funcionales (PET), las evaluaciones cognitivas (MMSE) y la información demográfica (edad).
• Los modelos de diagnóstico actuales a menudo tienen dificultades para fusionar eficazmente los datos multimodales y capturar las diferencias sutiles entre las etapas de la enfermedad, en particular distinguir entre deterioro cognitivo leve estable y progresivo (MCI).

Objetivo del estudio:

• Desarrollar y validar un nuevo clasificador multi-modal, multi-escala y de extremo a extremo en 3D para mejorar el diagnóstico de la enfermedad de Alzheimer (EA).
• Para mejorar la precisión de la clasificación de los sujetos en cuatro categorías distintas: Control normal (NC), Deterioro cognitivo leve estable (sMCI), Deterioro cognitivo leve progresivo (pMCI) y AD.

Principales métodos:

• Utilizó una arquitectura inspirada en ResNet con escalado convolucional multiescalable para procesar datos clínicos y de neuroimagen integrados.
• Implementó una estrategia de fusión de datos a medida (MA_PC) que procesa la resonancia magnética con la edad y la PET con MMSE en ramas paralelas para optimizar la información complementaria.
• Se realizaron experimentos utilizando el conjunto de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) con una validación cruzada de cinco veces y un conjunto de pruebas independientes.

Principales resultados:

• El clasificador MA_PC propuesto con escalado convolucional logró un rendimiento superior en comparación con las estrategias de fusión existentes y las ResNets 3D previamente entrenadas.
• La clasificación de 4 clases (NC, sMCI, pMCI, AD) demostró un rendimiento significativamente mejor que un enfoque de 3 clases (NC, MCI, AD), identificando efectivamente las etapas de progresión sutiles.
• El modelo integró con éxito información de patología cerebral estructural y funcional para mejorar la precisión del diagnóstico.

Conclusiones:

• La fusión avanzada de datos y el análisis a escala múltiple son fundamentales para mejorar la precisión del diagnóstico de la enfermedad de Alzheimer.
• La red neuronal convolucional multimodal (CNN) desarrollada muestra un potencial significativo para avanzar en la investigación de imágenes médicas y la aplicación clínica en el diagnóstico de enfermedades neurodegenerativas.
• La capacidad de diferenciar entre sMCI y pMCI destaca la capacidad del modelo para capturar trayectorias de enfermedades matizadas.