Aprendizaje de desenredamiento multimodal incompleto con aplicación al diagnóstico de la enfermedad de Alzheimer

Área de la Ciencia:

• Imágenes neurológicas
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La neuroimagen multimodal (IRM, PET) ayuda en el diagnóstico de la enfermedad de Alzheimer.
• Los datos incompletos son un desafío importante en el diagnóstico asistido por computadora actual.
• Los métodos existentes para manejar los datos faltantes reducen el tamaño de la muestra o introducen ruido.

Objetivo del estudio:

• Desarrollar un nuevo método para el diagnóstico de la EA utilizando datos incompletos de neuroimagen multimodal.
• Abordar las limitaciones de las estrategias convencionales para el manejo de datos faltantes en el análisis de neuroimágenes.
• Mejorar la precisión y la robustez del diagnóstico asistido por ordenador de la EA.

Principales métodos:

• Proponer el aprendizaje de desenmarañamiento multimodal incompleto (IMDL) para el diagnóstico de EA.
• Utilizando autoencoders variacionales de modalidad y un transformador para la fusión de características.
• Implementación de la modalidad de aprendizaje contrastante y el aprendizaje contradictorio para armonizar las representaciones.
• Desarrollo de un módulo de rectificación de atención local para mejorar la localización de las zonas atróficas.

Principales resultados:

• El IMDL demostró un rendimiento superior en el diagnóstico de EA en conjuntos de datos ADNI y AIBL.
• El método maneja eficazmente los datos incompletos de neuroimagen multimodal sin síntesis de escaneo.
• La validación en el conjunto de datos HABS-HD mostró eficacia para el diagnóstico de demencia general con diferentes modalidades de imagen.

Conclusiones:

• IMDL ofrece una solución robusta y efectiva para el diagnóstico de EA con datos de neuroimagen multimodal incompletos.
• El método propuesto supera las limitaciones de los métodos tradicionales al evitar la reducción de muestras y la introducción de ruido.
• La IMDL es prometedora para mejorar la precisión y aplicabilidad del diagnóstico en diferentes conjuntos de datos de neuroimagen y tipos de demencia.