Biomarcadores | JoVE Visualize

Área de la Ciencia:

Neurociencia
Imagenología médica
Inteligencia artificial

Sus antecedentes:

El diagnóstico de la enfermedad de Alzheimer (EA) está cambiando hacia pruebas fisiológicas, incluida la neuroimagen como la tomografía por emisión de positrones (PET) y los biomarcadores fluidos.
Los procesos de diagnóstico actuales son largos, con un promedio de dos años, lo que resalta la necesidad de métodos más eficientes.
La inteligencia artificial (IA) ofrece potencial para analizar escáneres PET para identificar pacientes con EA.

Objetivo del estudio:

Investigar el potencial de la IA explicable en el diagnóstico de la enfermedad de Alzheimer utilizando imágenes de PET de amiloide.
Evaluar el rendimiento del modelo de IA en la clasificación de pacientes según la carga de amiloide en regiones cerebrales específicas.

Principales métodos:

Se utilizaron datos médicos y escáneres PET de 541 pacientes del estudio Alzheimer's Disease Neuroimaging Initiative (ADNI).
Se entrenaron modelos de IA con datos de carga de amiloide de regiones cerebrales de interés para clasificar a los pacientes como normales o con deterioro.
Se probaron modelos de IA utilizando umbrales de biomarcadores de beta-amiloide, tau y tau fosforilada, con algoritmos de aprendizaje automático aplicados hasta en 10 regiones cerebrales.

Principales resultados:

El modelo de tau fosforilada (p-tau) logró la mayor precisión de prueba con un 72,8%.
El modelo de biomarcador de beta-amiloide (Aβ) demostró un rendimiento superior de clasificación general con un área bajo la curva (AUC) de 0,80.
Los valores de importancia de Shapley identificaron el precúneo y el giro lingual izquierdo como regiones significativas para el modelo de Aβ.

Conclusiones:

La IA explicable muestra potencial para el diagnóstico de EA a partir de escáneres PET de amiloide, logrando una precisión moderada con regiones cerebrales relevantes.
Se necesitan conjuntos de datos más grandes y técnicas como la validación cruzada estratificada para mejorar la precisión y abordar los desequilibrios del conjunto de datos.
El análisis impulsado por IA de biomarcadores de neuroimagen promete mejorar la eficiencia y la precisión del diagnóstico de la enfermedad de Alzheimer.