Un enfoque explicable de IA para mapear la edad regional multivariada del cerebro y los patrones de gravedad clínica...

Área de la Ciencia:

• Imágenes neurológicas
• Inteligencia artificial
• Gerontología

Sus antecedentes:

• La edad es un factor de riesgo importante para el deterioro cognitivo leve (MCI) y la enfermedad de Alzheimer (AD).
• Comprender los patrones de envejecimiento cerebral es crucial para diagnosticar y manejar las enfermedades neurodegenerativas.
• Las investigaciones anteriores se centraron en regiones cerebrales individuales, descuidando las asociaciones multivariadas con la edad.

Objetivo del estudio:

• Desarrollar y validar un modelo de IA para una predicción precisa de la edad cerebral utilizando datos de resonancia magnética.
• Identificar regiones cerebrales multivariadas significativas asociadas con la edad utilizando métodos de IA explicables.
• Explorar la utilidad de la predicción de la edad cerebral impulsada por la IA en la diferenciación entre individuos cognitivamente normales, MCI y pacientes con EA.

Principales métodos:

• Utilizó un conjunto de datos de 825 imágenes de resonancia magnética para la predicción de la edad del cerebro.
• Comparó varios modelos de inteligencia artificial (IA), incluido el aprendizaje profundo (AgeNet), para predecir la edad del cerebro.
• Integró el modelo óptimo de IA (AgeNet) con técnicas de importancia de características (SHAP, LIME, LRP) para identificar regiones clave del cerebro.

Principales resultados:

• El modelo de aprendizaje profundo, AgeNet, demostró un rendimiento superior en la predicción de la edad cerebral en comparación con los modelos convencionales de aprendizaje automático.
• AgeNet integrado con SHAP (AgeNet-SHAP) identificó con éxito las regiones críticas del cerebro predictivas de la edad, validando la metodología.
• Se observaron diferencias significativas en las regiones cerebrales entre los participantes cognitivamente normales (CN), MCI y pacientes con EA, con EA mostrando alteraciones generalizadas.
• Las características individualizadas de AgeNet-SHAP se correlacionan con las puntuaciones de gravedad clínica en el continuo de la enfermedad de Alzheimer.

Conclusiones:

• La IA explicable, específicamente AgeNet-SHAP, ofrece un enfoque poderoso para identificar las regiones cerebrales asociadas con el envejecimiento y la neurodegeneración.
• Esta metodología es prometedora para avanzar en el seguimiento de la progresión de la enfermedad, el diagnóstico, el pronóstico y la medicina personalizada en el contexto de MCI y EA.