Biomarcadores

Área de la Ciencia:

• Neuroimagen; Inteligencia Artificial; Gerontología

Sus antecedentes:

• La edad es un factor de riesgo importante para el deterioro cognitivo leve y la enfermedad de Alzheimer (MCI/AD).; Comprender el envejecimiento cerebral normal y la MCI/AD requiere la identificación de patrones de edad cerebral.; Investigaciones anteriores se centraron en regiones cerebrales individuales, descuidando las asociaciones multivariadas.

Objetivo del estudio:

• Desarrollar y validar un modelo de IA para predecir la edad cerebral utilizando datos de RM.; Identificar regiones cerebrales multivariadas significativas asociadas con la predicción de la edad cerebral.; Explorar la relación entre los patrones de edad cerebral y la gravedad clínica de la MCI/AD.

Principales métodos:

• Se utilizaron modelos de aprendizaje profundo (AgeNet) y aprendizaje automático para la estimación de la edad cerebral a partir de volúmenes cerebrales regionales.; Se integró el modelo óptimo de IA con SHAP para identificar regiones cerebrales multivariadas clave.; Se validó la metodología en conjuntos de datos de RM simulados y experimentales (n=668).

Principales resultados:

• El modelo de aprendizaje profundo (AgeNet) superó significativamente a los modelos convencionales en la predicción de la edad cerebral.; AgeNet-SHAP identificó con éxito los predictores clave de la edad cerebral en simulaciones.; Se observaron diferencias regionales significativas y generalizadas en la estructura cerebral en pacientes con enfermedad de Alzheimer en comparación con los controles.

Conclusiones:

• La IA explicable (AgeNet-SHAP) predice eficazmente la edad cerebral y revela asociaciones multivariadas de regiones cerebrales.; El método identificó regiones cerebrales asociadas con la gravedad de la enfermedad de Alzheimer.; Estos hallazgos respaldan los enfoques impulsados por IA para diagnósticos, pronósticos y medicina personalizada en enfermedades neurodegenerativas.