Aprendizaje profundo novedoso para la clasificación de múltiples clases de Alzheimer en la discapacidad utilizando...

Área de la Ciencia:

• La neuroimagen y el aprendizaje automático
• Neurociencia computacional
• Diagnóstico médico

Sus antecedentes:

• La enfermedad de Alzheimer (EA) es una de las principales causas de neurodegeneración, caracterizada por deterioro cognitivo y motor.
• La clasificación precisa de los subtipos de AD a partir de las exploraciones de resonancia magnética es un desafío debido a las características superpuestas.
• Los métodos existentes de aprendizaje automático (ML) y aprendizaje profundo (DL) luchan con la identificación precisa de AD de varias clases.

Objetivo del estudio:

• Desarrollar y evaluar métodos de extracción de características basados en el aprendizaje de transferencia para la clasificación en múltiples clases de las categorías de EA a partir de exploraciones de RM.
• Proponer un nuevo modelo de aprendizaje profundo, "IncepRes", mediante la fusión de las arquitecturas Inception y ResNet para mejorar la clasificación de AD.
• Investigar el rendimiento de diferentes modelos de aprendizaje por transferencia (ResNet152V2, VGG16, InceptionV3, MobileNet) en conjuntos de datos de AD.

Principales métodos:

• Se emplearon cuatro modelos de aprendizaje de transferencia (ResNet152V2, VGG16, InceptionV3, MobileNet) para la extracción de características de las exploraciones de resonancia magnética.
• Utilizó conjuntos de datos disponibles públicamente: la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) y la Serie de Estudios de Imagen de Acceso Abierto (OASIS), junto con un conjunto de datos fusionado.
• Desarrolló un modelo híbrido de red neuronal convolucional (CNN), "IncepRes", que integra las arquitecturas ResNet152V2 e Inception para la clasificación de AD de varias clases.

Principales resultados:

• El ResNet152V2 modificado demostró un rendimiento superior como extractor de características entre los métodos de aprendizaje de transferencia evaluados.
• El modelo propuesto "IncepRes" logró altas precisiones de clasificación: 96,96% (ADNI), 98,35% (OASIS) y 97,13% (conjunto de datos fusionado).
• El modelo "IncepRes" superó a otras estructuras de aprendizaje profundo en la clasificación de varias categorías de la enfermedad de Alzheimer.

Conclusiones:

• El marco de aprendizaje de transferencia propuesto y el modelo "IncepRes" permiten una clasificación automatizada y precisa de las categorías de la enfermedad de Alzheimer a partir de datos de RM.
• Este avance tiene potencial para el manejo oportuno y el tratamiento de las deficiencias cognitivas y funcionales asociadas con la enfermedad de Alzheimer.
• El estudio destaca la eficacia del aprendizaje profundo para abordar los desafíos de la clasificación de múltiples clases en el diagnóstico de enfermedades neurodegenerativas.