Biomarcadores

Área de la Ciencia:

• Neurociencia; Inteligencia Artificial; Imágenes Médicas

Sus antecedentes:

• La demencia está relacionada con 14 factores de riesgo importantes, muchos de los cuales afectan la estructura cerebral.
• Las medidas de neuroimagen pueden identificar potencialmente el riesgo de demencia.
• Los modelos médicos de IA a menudo carecen de generalización debido a sesgos.

Objetivo del estudio:

• Explorar los factores de riesgo de demencia utilizando imágenes cerebrales y aprendizaje automático.
• Evaluar el rendimiento del aprendizaje automático automatizado (AutoML) frente a los modelos de referencia.
• Evaluar la generalización del modelo utilizando un conjunto de datos étnicamente diverso.

Principales métodos:

• Se utilizó el conjunto de datos Health and Aging Brain Study-Health Disparities (HABS-HD) con más de 3000 participantes.
• Se investigaron seis factores de riesgo (ApoE ε4, hipertensión, obesidad, tabaquismo, diabetes, alcohol) y las puntuaciones del MMSE.
• Se empleó AutoML para automatizar la selección de pipelines y se comparó con nueve modelos de referencia y un ensamble utilizando características de grosor cortical medio.

Principales resultados:

• AutoML demostró un rendimiento superior en 5 de 7 tareas de predicción.
• AutoML logró una precisión equilibrada del 57,9 % en la clasificación del Mini-Mental State Examination (MMSE), superando a los modelos de referencia (56,7 %) y a los ensambles (55,5 %).
• AutoML seleccionó pipelines únicos para 5 de 7 tareas, lo que indica adaptabilidad.

Conclusiones:

• AutoML muestra un potencial significativo en la investigación de la enfermedad de Alzheimer al adaptarse a tareas de predicción específicas.
• El estudio destaca la falta de un modelo universal para predecir factores de riesgo de demencia a partir de la estructura cerebral.
• AutoML reduce el sesgo del experimentador y mejora la generalización del modelo en aplicaciones médicas de IA.