Biomarcadores | JoVE Visualize

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.