Biomarcadores

Área de la Ciencia:

• Neuroimagen
• Inteligencia Artificial
• Diagnóstico Médico

Sus antecedentes:

• El deterioro cognitivo leve (MCI) es un indicador temprano de demencia, lo que requiere una detección temprana para una intervención oportuna.
• Las redes neuronales convolucionales (CNN) 2D y 3D tradicionales enfrentan limitaciones en el análisis de correlación espacial y la eficiencia computacional para la clasificación de MCI.
• La clasificación precisa de los convertidores de MCI (MCI-C) y no convertidores (MCI-NC) es crucial para predecir la progresión de la demencia.

Objetivo del estudio:

• Desarrollar y validar un novedoso marco basado en secuencias para clasificar MCI-C y MCI-NC utilizando resonancia magnética estructural (s-MRI).
• Superar las limitaciones computacionales y de correlación espacial de los modelos de aprendizaje profundo existentes para el diagnóstico de MCI.
• Analizar los patrones de deterioro de la materia gris para mejorar la detección temprana de demencia.

Principales métodos:

• Se utilizaron datos de s-MRI de 187 sujetos (75 MCI-C, 112 MCI-NC) de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI).
• Se extrajeron características de 106 cortes de MRI por sujeto utilizando Patrones Binarios Locales (LBP) y sus variantes, creando vectores de características.
• Se empleó una Red Neuronal Recurrente Bidireccional (BiRNN) basada en Activación Senoidal Adaptativa por Capas (LASA) para modelar las relaciones temporales y espaciales entre los cortes de MRI.

Principales resultados:

• El modelo propuesto demostró un fuerte rendimiento de generalización con una precisión de validación superior a la precisión de entrenamiento.
• Se logró una precisión promedio de 97,4 % (±0,2 desviación estándar) en 30 experimentos.
• Se confirmó la eficacia y fiabilidad del modelo en la clasificación de subtipos de MCI.

Conclusiones:

• El novedoso marco ofrece alta precisión y compatibilidad con dispositivos de borde para el diagnóstico temprano de MCI.
• Este enfoque facilita un diagnóstico de demencia rentable y accesible en diversos entornos de atención médica, incluidos entornos con recursos limitados.
• El método proporciona una alternativa eficiente y práctica a los modelos de aprendizaje profundo tradicionales para la detección temprana de demencia.