Segmentación del tronco encefálico y clasificación multiclase de síndromes parkinsonianos basada en aprendizaje...

Área de la Ciencia:

• Neuroimagen
• Inteligencia Artificial
• Diagnóstico Médico

Sus antecedentes:

• La RM estructural es clave para identificar la atrofia en síndromes parkinsonianos.
• Los modelos automatizados de aprendizaje profundo para la segmentación del tronco encefálico requieren una mayor validación clínica.

Objetivo del estudio:

• Desarrollar y validar un algoritmo de aprendizaje profundo de dos pasos para la segmentación de subestructuras del tronco encefálico.
• Clasificar síndromes parkinsonianos utilizando mediciones volumétricas derivadas de la segmentación.

Principales métodos:

• Estudio retrospectivo que utiliza conjuntos de datos internos y externos para la segmentación y clasificación.
• Aprendizaje profundo para la segmentación; SVM, random forest y XGBoost para la clasificación utilizando volúmenes cerebrales regionales.
• Validado utilizando validación cruzada de cinco pliegues y probado en un conjunto de datos externo; se evaluó el rendimiento del radiólogo con y sin el modelo.

Principales resultados:

• Altas puntuaciones de Coeficiente de Similitud de Dice (DSC) para la segmentación del tronco encefálico (0,969 interno, 0,996 externo).
• La Máquina de Vectores de Soporte (SVM) logró el mayor rendimiento de clasificación con un Área Bajo la Curva ROC (AUROC) de 0,937 (interno) y 0,914 (externo).
• Un residente de radiología demostró un mejor rendimiento diagnóstico al utilizar el modelo.

Conclusiones:

• El algoritmo de dos pasos desarrollado combina eficazmente el aprendizaje profundo y el aprendizaje automático para la segmentación automatizada del tronco encefálico.
• Este enfoque permite la diferenciación fiable de síndromes parkinsonianos a partir de RM cerebral ponderada en T1 3D.
• El modelo validado muestra potencial para mejorar el diagnóstico clínico de enfermedades neurodegenerativas.