Skull-stripping induce aprendizaje por atajos en la clasificación de la enfermedad de Alzheimer basada en RM

Área de la Ciencia:

• Neuroimagen; Inteligencia Artificial; Diagnóstico Médico

Sus antecedentes:

• Las redes neuronales profundas logran una alta precisión en la clasificación de la enfermedad de Alzheimer (EA) a partir de RM estructurales.
• Las características específicas de la imagen que impulsan estas clasificaciones siguen sin estar claras, lo que plantea desafíos para la confianza clínica.

Objetivo del estudio:

• Evaluar sistemáticamente las contribuciones de la textura de RM ponderada en T1 (T1w), la información volumétrica y los pasos de preprocesamiento, particularmente la eliminación del cráneo, a la clasificación de la EA.
• Investigar los mecanismos subyacentes a la clasificación de enfermedades basada en aprendizaje profundo en la EA.

Principales métodos:

• Se utilizó un conjunto de datos de 990 RM T1w de pacientes con EA y controles (base de datos ADNI).
• Se varió el preprocesamiento mediante la eliminación del cráneo y la binarización de la intensidad para aislar las contribuciones de textura y forma.
• Se entrenaron redes neuronales convolucionales 3D y se analizó la relevancia de las características utilizando la propagación de relevancia por capas y el agrupamiento espectral.

Principales resultados:

• La precisión de la clasificación, la sensibilidad y la especificidad se mantuvieron estables en diferentes condiciones de preprocesamiento.
• Los modelos mostraron una dependencia mínima de la textura de la materia gris-blanca, con un rendimiento similar en imágenes binarizadas.
• Las características volumétricas, específicamente los contornos cerebrales introducidos por la eliminación del cráneo, fueron utilizadas consistentemente por los modelos.

Conclusiones:

• Los modelos de aprendizaje profundo exhibieron aprendizaje por atajos, confiando en artefactos de preprocesamiento (eliminación del cráneo) en lugar de características genuinas relacionadas con la enfermedad.
• Esto subraya la importancia crítica de las herramientas de interpretabilidad para detectar sesgos y garantizar una IA robusta y confiable en imágenes médicas.
• La cuidadosa consideración de las características del conjunto de datos y el preprocesamiento es esencial para desarrollar modelos de aprendizaje profundo clínicamente relevantes y validados.