Consorcio de Imagenología de Alzheimer

Área de la Ciencia:

• Neuroimagen
• Aprendizaje Automático
• Investigación de la Enfermedad de Alzheimer

Sus antecedentes:

• El diagnóstico y pronóstico de la enfermedad de Alzheimer (EA) son desafiantes debido a la variabilidad clínica.
• La predicción de puntuaciones clínicas como ADAS a partir de RM se explora menos pero es crucial para evaluar la gravedad y ayudar en el pronóstico.
• Los datos etiquetados limitados en la investigación de la EA dificultan el entrenamiento de modelos de aprendizaje profundo.

Objetivo del estudio:

• Investigar la eficacia del ajuste de un modelo preentrenado de predicción de edad cerebral para predecir las puntuaciones de la Escala de Evaluación de la Enfermedad de Alzheimer (ADAS).
• Abordar el desafío de los datos etiquetados limitados en imágenes médicas para la investigación de la enfermedad de Alzheimer.
• Mejorar la predicción de la gravedad clínica y ayudar en el pronóstico utilizando modelos de aprendizaje profundo basados en RM.

Principales métodos:

• Se desarrolló un modelo de conjunto (n=5) para la predicción de la edad cerebral a partir de RM cerebrales 3D, empleando preprocesamiento robusto, aumento de datos y regularización para la generalización.
• Se utilizaron 11.041 RM de la base de datos de Neuroimagen y Demencia de la Enfermedad de Alzheimer (ADNI), divididas en conjuntos de entrenamiento, validación y prueba.
• Se ajustó el modelo de edad cerebral para predecir las puntuaciones ADAS13 y se evaluó su rendimiento en los conjuntos de validación y prueba.

Principales resultados:

• Se logró un Error Absoluto Medio (MAE) de 5.66, 6.46 y 5.90 para la predicción de ADAS13 en los conjuntos de entrenamiento, validación y prueba, respectivamente.
• Se obtuvo una puntuación R² de 0.58 (r=0.76, p<<0.01) en el conjunto de prueba, lo que indica un fuerte rendimiento predictivo.
• Se demostró una generalización robusta al conjunto de prueba utilizando solo el 50% de los datos de entrenamiento disponibles.

Conclusiones:

• El modelo de edad cerebral ajustado predice eficazmente las puntuaciones ADAS13, demostrando robustez y generalización.
• Este enfoque requiere menos datos, superando a los métodos anteriores y ofreciendo una solución para entrenar modelos de aprendizaje profundo con conjuntos de datos de imágenes médicas limitados.
• El estudio allana el camino para el desarrollo de herramientas de diagnóstico y pronóstico más efectivas para la enfermedad de Alzheimer.