Biomarcadores

Área de la Ciencia:

• Neuroimagen
• Inteligencia Artificial
• Diagnóstico Médico

Sus antecedentes:

• El aprendizaje profundo se utiliza ampliamente para la segmentación automatizada del hipocampo en la investigación de la demencia.
• El enfoque actual a menudo se centra en la precisión de la segmentación, descuidando factores de preparación clínica como la sensibilidad a la enfermedad y la fiabilidad.
• La evaluación de estos factores es crucial para traducir las herramientas automatizadas a la práctica clínica.

Objetivo del estudio:

• Evaluar la sensibilidad a la enfermedad de Alzheimer y al deterioro cognitivo leve, y la fiabilidad test-retest de cinco pipelines de segmentación automatizada del hipocampo.
• Comparar estos pipelines con FreeSurfer, un estándar ampliamente utilizado.
• Establecer un flujo de trabajo para evaluar la preparación clínica de las herramientas de segmentación automatizada.

Principales métodos:

• Se compararon cinco pipelines de aprendizaje profundo (FastSurfer, SynthSeg, GIF, InnerEye, nnUNet) con FreeSurfer 7.4.
• Se evaluó la sensibilidad a nivel de grupo utilizando escaneos de RM ponderados en T1 de ADNI (n=2299) y NACC (n=1852).
• Se evaluó la fiabilidad utilizando conjuntos de datos de artefactos de movimiento, dentro del escáner y entre escáneres (1264 escaneos).

Principales resultados:

• Todos los pipelines demostraron grandes tamaños de efecto para la sensibilidad a la enfermedad de Alzheimer; FastSurfer y SynthSeg mostraron los más altos.
• Las clasificaciones de los pipelines para la sensibilidad se mantuvieron constantes en diferentes estados cognitivos y calidad de escaneo.
• FastSurfer, SynthSeg, GIF y nnUNet exhibieron una fiabilidad test-retest sustancialmente mayor que FreeSurfer en datos dentro del escáner.

Conclusiones:

• El estudio proporciona un flujo de trabajo para evaluar la preparación clínica de las herramientas de segmentación automatizada del hipocampo.
• FastSurfer y SynthSeg demuestran un fuerte potencial para la aplicación clínica debido a su alta sensibilidad y fiabilidad.
• La estrategia de evaluación puede informar el desarrollo de pipelines robustos y resistentes a artefactos y variabilidad de escaneo.