Ciencia Básica y Patogénesis

Área de la Ciencia:

• Inteligencia Artificial en Medicina; Neuroimagen Análisis; Descubrimiento de Biomarcadores

Sus antecedentes:

• Los trastornos neurodegenerativos (TN), incluida la demencia por Alzheimer (DA) y la demencia frontotemporal (DFT), presentan desafíos diagnósticos debido a su complejidad y a las limitaciones de los métodos tradicionales.
• El estudio de Cognición y Neuroimagen en Trastornos Neurodegenerativos (CogNID) recopiló datos de 450 pacientes, incluida información cognitiva, de RMN y de biomarcadores.
• El desarrollo de marcos avanzados de IA es crucial para la detección temprana y precisa de la demencia.

Objetivo del estudio:

• Crear un marco impulsado por IA para la detección temprana de la demencia.
• Integrar datos multimodales (cognitivos, de imagen, biomarcadores clínicos) para mejorar las capacidades de diagnóstico.
• Mejorar la precisión y eficiencia del diagnóstico de trastornos neurodegenerativos.

Principales métodos:

• Un enfoque multimodal que combina datos clínicos, resonancias magnéticas e informes de radiología.
• Procesamiento del Lenguaje Natural (PLN) utilizando PubMedBERT para el análisis de informes y clasificadores basados en BART para la puntuación de riesgos.
• Modelos de aprendizaje automático (métodos de conjunto, redes neuronales) entrenados con características fusionadas de imágenes, informes y datos cognitivos/LCR.
• Interpretabilidad del modelo garantizada mediante valores SHAP.

Principales resultados:

• Desarrollo exitoso del Analizador de Riesgo Médico (MRA) para procesar datos textuales y generar puntuaciones de riesgo.
• Demostración de un entrenamiento robusto del modelo con una disminución de la pérdida de entrenamiento y validación a medida que aumentaban las épocas.
• El trabajo en curso se centra en la integración de características de RMN y la mejora de los modelos de clasificación.

Conclusiones:

• El estudio avanza la IA para el diagnóstico temprano de TN al abordar el desequilibrio de datos y garantizar la interpretabilidad y escalabilidad del modelo.
• El marco de IA desarrollado tiene el potencial de respaldar el diagnóstico preciso de la demencia.
• Esta investigación contribuye a mejorar el diagnóstico de los pacientes y la investigación futura en trastornos neurodegenerativos.