Biomarcadores

Área de la Ciencia:

• Neuroimagen; Inteligencia Artificial; Diagnóstico Médico

Sus antecedentes:

• La resonancia magnética (RM) es vital para el diagnóstico y seguimiento de la enfermedad de Alzheimer (EA).; La variabilidad de los datos entre cohortes nacionales desafía el diagnóstico consistente de la EA mediante RM.; La IA explicable con mapas de atención puede mejorar la precisión diagnóstica y la interpretabilidad en la EA a través del análisis de RM.

Objetivo del estudio:

• Desarrollar un enfoque de aprendizaje profundo para visualizar regiones cerebrales patológicas en la clasificación de la enfermedad de Alzheimer (EA) frente a individuos cognitivamente normales (CN).; Mejorar la precisión diagnóstica y la interpretabilidad de los datos de resonancia magnética en conjuntos de datos multicohorte para la detección de la EA.

Principales métodos:

• Se utilizaron datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) y las bases de datos de Demencia de Alzheimer y Relacionada de Gwangju (GARD).; Se entrenó un modelo de clasificación ResNet-50 con un mecanismo de atención para diferenciar entre individuos con EA y CN.; Se visualizaron mapas de atención en los planos sagital, axial y coronal de las resonancias magnéticas para identificar las regiones patológicas clave.

Principales resultados:

• Se logró un alto rendimiento en la distinción entre individuos con EA y CN: 98,18 % de precisión, 96,73 % de especificidad y 98,97 % de sensibilidad.
• El análisis del mapa de atención destacó el hipocampo y el lóbulo temporal como las principales regiones de interés, lo que concuerda con la patología conocida de la EA.
• Se demostró un rendimiento consistente en la cohorte GARD, lo que confirma la generalización del modelo.

Conclusiones:

• El método propuesto destaca en la clasificación EA frente a CN, identificando con precisión áreas patológicas críticas como el hipocampo y el lóbulo temporal.; Los resultados consistentes en diversas cohortes subrayan la solidez y el potencial de implementación clínica de este enfoque de IA explicable.