Mejorar la detección temprana de la enfermedad de Alzheimer utilizando un marco integrado CNN-LSTM: un enfoque sólido...

Área de la Ciencia:

• Imágenes neurológicas
• Aprendizaje automático
• Trastornos neurológicos

Sus antecedentes:

• La enfermedad de Alzheimer (EA) es una condición neurológica progresiva e irreversible con una alta mortalidad.
• La detección temprana de la enfermedad de Alzheimer y su etapa prodromial, el deterioro cognitivo leve (MCI, por sus siglas en inglés), es crucial para la intervención.
• Los métodos actuales que utilizan características de conectividad funcional hechas a mano de fMRI a menudo no son robustos y son computacionalmente intensivos.

Objetivo del estudio:

• Desarrollar un marco integrado de aprendizaje profundo para la clasificación automatizada de la enfermedad de Alzheimer y el deterioro cognitivo leve.
• Mejorar la precisión y la eficiencia de la clasificación de las etapas de la enfermedad de Alzheimer y la MCI (EMCI, LMCI) utilizando datos de IRMf.
• Evaluar el rendimiento del marco en escenarios de clasificación binarios, de 3 clases y de 4 clases.

Principales métodos:

• Se desarrolló un marco de aprendizaje profundo integrado que combina redes neuronales convolucionales (CNN) y redes de memoria larga a corto plazo (LSTM).
• Las CNN se utilizaron para la extracción autónoma de las características intravolumen e intervolumen de los datos fMRI.
• Los LSTM se emplearon para la selección efectiva de características significativas para la clasificación, abordando las limitaciones de las características artesanales.

Principales resultados:

• El marco propuesto CNN-LSTM logró una precisión del 99% en la clasificación de la enfermedad de Alzheimer y el deterioro cognitivo leve.
• El marco demostró un área media bajo la curva del 100% para la mayoría de las tareas de clasificación.
• El enfoque de aprendizaje profundo aprendió de manera efectiva patrones complejos a partir de datos de resonancia magnética funcional para la clasificación de enfermedades.

Conclusiones:

• El marco integrado CNN-LSTM ofrece un método sólido y eficiente para la detección temprana y la clasificación de la enfermedad de Alzheimer y el deterioro cognitivo leve.
• Los modelos de aprendizaje profundo pueden aprender de forma autónoma características críticas de la resonancia magnética funcional, superando los métodos tradicionales de características hechas a mano.
• Este marco muestra un potencial significativo para su aplicación clínica en el diagnóstico de enfermedades neurodegenerativas.