Medición de la representación de datos HD sutiles y la incorporación de fenotipos de imágenes multimodales para la...

Área de la Ciencia:

• Análisis de imágenes médicas
• Ciencia de los datos biomédicos
• El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• Los biomarcadores de imágenes de alta dimensión (HD) mejoran la caracterización, pero plantean desafíos al rendimiento del sistema debido a su abundancia.
• Las técnicas de reducción de dimensión son cruciales para la gestión de datos HD, especialmente en escenarios de imagen multimodal.
• Los métodos existentes pueden no preservar de manera óptima la información crítica durante la proyección de HD al espacio de menor dimensión (LD).

Objetivo del estudio:

• Desarrollar y evaluar nuevas técnicas de incorporación para la transformación de biomarcadores de imágenes de EH en representaciones de EH.
• Abordar el desafío de la abundancia de datos en la obtención de imágenes de la EH preservando al mismo tiempo la información fenotípica esencial.
• Mejorar el rendimiento del diagnóstico de la enfermedad y la estratificación del paciente utilizando datos de imágenes multimodales.

Principales métodos:

• Algoritmo Isomap modificado que incorpora la función de densidad de Parzen-Rosenblatt para una proyección de gráfico uniforme.
• Desarrollo de métodos de incorporación basados en la entropía de Gauss y Kaniadakis (κ-Gaussian) para la interacción multimodal de biomarcadores fenotípicos.
• Pruebas exhaustivas en diversos conjuntos de datos de imágenes multimodales (TC, PET, rayos X, resonancia magnética, ultrasonido, termografía) de 5158 casos en múltiples enfermedades.

Principales resultados:

• Los métodos de incrustación propuestos transformaron efectivamente la EH en atributos de EH, conservando información vital y permitiendo interacciones fenotípicas.
• Alcanzó altas precisiones de diagnóstico, incluyendo hasta el 78,5% para el cáncer de pulmón, el 88,4% para la neumonía y el 82,9% para la detección de enfermedades basada en la termografía.
• La incrustación κ- gaussiana y gaussiana demostró una mejor precisión, especialmente para el cáncer de pulmón (hasta el 80, 4%) y el glioblastoma (hasta el 65, 01%).
• Los modelos de supervivencia y las curvas de Kaplan-Meier confirmaron la capacidad de incorporar enfoques para distinguir los resultados de los pacientes, destacando las características de imagen multimodal preservadas de la EH.

Conclusiones:

• Las nuevas técnicas de incrustación reducen con éxito la dimensionalidad de los biomarcadores de imágenes de la EH al tiempo que preservan la información crítica.
• Estos métodos mejoran la precisión de la clasificación de enfermedades y demuestran el potencial para la estratificación del paciente en la medicina de precisión.
• La preservación de las características de la imagen multimodal es clave para el avance de las capacidades de diagnóstico y pronóstico en diversas enfermedades.