Calificación automatizada de la escala de Fazekas en la resonancia magnética de recuperación por inversión atenuada...

Área de la Ciencia:

• Neurología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• Las hiperintensidades de la materia blanca (WMH) son biomarcadores de imágenes cruciales en pacientes con accidente cerebrovascular, generalmente evaluados a través de la escala subjetiva de Fazekas.
• Los modelos de aprendizaje profundo existentes para la clasificación de WMH tienen una aplicación limitada en las poblaciones de accidentes cerebrovasculares.

Objetivo del estudio:

• Desarrollar y validar una tubería de aprendizaje profundo automatizado para la segmentación WMH y la clasificación de la escala Fazekas en pacientes con accidente cerebrovascular.
• Utilización de métodos probabilísticos espaciales para una mayor precisión en la evaluación de la EMH.

Principales métodos:

• Se creó una tubería de aprendizaje profundo de dos pasos, empleando una red neuronal residual basada en U-Net para la segmentación de WMH y una red neuronal convolucional 3D para la clasificación de Fazekas.
• Los modelos fueron entrenados y validados en imágenes FLAIR ponderadas T2 de 471 pacientes con accidente cerebrovascular en tres conjuntos de datos.

Principales resultados:

• El modelo de segmentación WMH logró un AUPRC de 0,81 y un coeficiente de dados de 0,73. El error medio absoluto para la predicción del volumen WMH fue de 3,1 ml.
• Se observó una fuerte concordancia en el análisis de acuerdo (R-cuadrado=0,91, CCC=0,96 internamente).
• El modelo de aprendizaje profundo logró altos valores de kappa ponderados cuadráticos (0,951-0,956) para la predicción de la puntuación de Fazekas, demostrando un rendimiento sólido tanto en la validación interna como en la externa.

Conclusiones:

• La tubería de aprendizaje profundo desarrollada proporciona una segmentación automática precisa y eficiente de WMH y la clasificación de la escala de Fazekas en pacientes con accidente cerebrovascular.
• Este enfoque automatizado puede servir como una herramienta confiable para evaluar la carga de WMH y potencialmente predecir futuros eventos vasculares.