Inteligencia artificial para el diagnóstico de la enfermedad de Alzheimer mediante resonancia magnética ponderada T1:...

Área de la Ciencia:

• La neuroimagen y la inteligencia artificial en la medicina
• Neurología y Neurociencia Computacional

Sus antecedentes:

• La enfermedad de Alzheimer (EA) es una causa primaria de demencia, marcada por el deterioro cognitivo y los cambios cerebrales.
• No hay tratamientos efectivos; las intervenciones actuales se centran en retrasar la progresión y controlar los síntomas.
• La neuroimagen, especialmente la resonancia magnética (IRM), ofrece información sobre las alteraciones cerebrales en la EA.

Objetivo del estudio:

• Revisar sistemáticamente los estudios que emplean la IA para clasificar más de dos etapas de la enfermedad de Alzheimer.
• Analizar el rendimiento de los modelos de IA, incluido el aprendizaje automático (ML) y el aprendizaje profundo (DL), utilizando datos de resonancia magnética ponderados T1.

Principales métodos:

• Revisión sistemática de la investigación que utiliza la IA para clasificar las etapas de la enfermedad de Alzheimer a partir de la resonancia magnética ponderada T1.
• Evaluación de las redes neuronales convolucionales (CNN), las redes neuronales no convolucionales y los enfoques tradicionales de ML.
• Análisis de la exactitud de la clasificación, las capacidades de extracción de características y los requisitos de preprocesamiento de datos.

Principales resultados:

• Las CNN lograron una precisión de clasificación promedio del 85.93%, destacándose en la extracción directa de características de los datos de imágenes.
• Las redes neuronales no convolucionales y los modelos tradicionales de ML también mostraron un buen rendimiento, con una precisión media del 82,50% y del 84,22%, respectivamente.
• La selección de los datos de entrada tiene un impacto significativo en el rendimiento de los modelos ML y DL en la clasificación AD.

Conclusiones:

• La IA, en particular las técnicas DL como las CNN, demuestran un potencial significativo para una clasificación precisa de la EA utilizando una resonancia magnética ponderada T1.
• El tratamiento de retos como la diversidad metodológica y las limitaciones de los conjuntos de datos es crucial para la traducción clínica.
• El avance de las aplicaciones de IA puede conducir a una detección temprana de EA, una clasificación refinada y mejores estrategias de gestión de pacientes.