Evaluación integral e implicaciones clínicas del marco transformer de aprendizaje profundo de máquina de aprendizaje...

Área de la Ciencia:

• Inteligencia artificial en medicina
• Neurociencia
• Informática biomédica

Sus antecedentes:

• El diagnóstico y la predicción de la enfermedad de Alzheimer (EA) siguen siendo un desafío.
• La estratificación precisa del riesgo temprano es crucial para la intervención oportuna.
• Los métodos existentes pueden no aprovechar al máximo los datos clínicos complejos.

Objetivo del estudio:

• Desarrollar y validar un modelo híbrido de aprendizaje profundo para mejorar el diagnóstico y la predicción de la EA.
• Utilizar datos clínicos fácilmente disponibles para mejorar la precisión.
• Evaluar la generalización y el poder predictivo del modelo.

Principales métodos:

• Se desarrolló un modelo conjunto de triple arquitectura que integra la Máquina de Aprendizaje Extremo con Núcleo (KELM), la Memoria a Corto y Largo Plazo (LSTM) y el Transformer.
• El modelo se entrenó y validó en 2149 sujetos de la base de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI).
• Se realizó una validación externa en una cohorte independiente de 1012 sujetos.

Principales resultados:

• La validación interna logró una precisión del 95,42% y un AUC de 0,981.
• La validación externa demostró una precisión del 93,81% y un AUC de 0,9725.
• El modelo predijo la conversión de deterioro cognitivo leve a EA en 3 años con una precisión del 92,78%.

Conclusiones:

• El modelo KELM-LSTM-Transformer ofrece un marco potente y robusto para la predicción de la EA.
• La alta precisión y generalización sugieren su potencial para la estratificación del riesgo temprano.
• Esta herramienta accesible puede apoyar intervenciones clínicas oportunas para la enfermedad de Alzheimer.