Ligero CNN 3D para Análisis de RM en la Enfermedad de Alzheimer: Equilibrio entre Precisión y Eficiencia

Área de la Ciencia:

• Neuroimagen
• Inteligencia Artificial
• Diagnóstico Médico

Sus antecedentes:

• El diagnóstico de la enfermedad de Alzheimer (EA) se basa tradicionalmente en evaluaciones clínicas.
• El aprendizaje profundo, específicamente las Redes Neuronales Convolucionales (CNN) 3D, muestra potencial para mejorar la precisión de la detección de EA a través de escaneos de RM.
• La alta complejidad computacional de los modelos de aprendizaje profundo existentes dificulta la aplicación clínica.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo ligero y computacionalmente eficiente para la clasificación de la enfermedad de Alzheimer utilizando datos de RM.
• Abordar el desafío de la alta complejidad computacional en los modelos de aprendizaje profundo para la detección de enfermedades neurodegenerativas.

Principales métodos:

• Se propuso un marco ligero de clasificación de RM que integra la extracción adaptativa de características multiescala.
• Se empleó poda estructural y optimización de parámetros para crear una arquitectura de modelo compacta.
• Se evaluó el marco en el conjunto de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) para tareas de clasificación binaria.

Principales resultados:

• Se logró un modelo compacto con ~0,49 millones de parámetros y un tamaño de 1,9 MB.
• El modelo demostró un alto rendimiento de clasificación en tres tareas binarias.
• Se reportó una Densidad de Rendimiento (PD) de 189,87, aproximadamente 70 veces mayor que la línea de base, lo que indica una eficiencia superior.

Conclusiones:

• El marco ligero propuesto reduce significativamente el consumo de recursos para la detección de la enfermedad de Alzheimer.
• El modelo mantiene un alto rendimiento diagnóstico, ofreciendo una solución práctica para entornos clínicos con recursos limitados.
• Permite la detección potencial en tiempo real de la enfermedad de Alzheimer en la práctica clínica.