Detección de la enfermedad de Parkinson con modalidades de neuroimagen utilizando aprendizaje automático e...

Área de la Ciencia:

• Imagen Médica; Inteligencia Artificial; Aprendizaje Automático

Sus antecedentes:

• El aprendizaje automático (ML) y la inteligencia artificial (IA) se aplican cada vez más a la imagen médica para la toma de decisiones clínicas.; La diferenciación de la enfermedad de Parkinson (EP) de los controles sanos (HC) es un área de aplicación clave.

Objetivo del estudio:

• Revisar y evaluar sistemáticamente el rendimiento de los algoritmos de ML/IA para diferenciar la EP de los HC en diversas modalidades de imagen médica.; Identificar tendencias y proporcionar recomendaciones para futuras investigaciones en este campo.

Principales métodos:

• Revisión sistemática de 130 estudios.; Análisis de técnicas de ML/IA que incluyen redes neuronales convolucionales (CNN), máquinas de vectores de soporte (SVM), bosques aleatorios y métodos de conjunto.; Inclusión de seis modalidades de imagen: SPECT de dopamina, PET ([18F]FDG, [18F]DOPA, [11C]racloprida), RM estructural, RM funcional y RM de difusión.

Principales resultados:

• La SPECT y la PET de dopamina, en particular con CNN, demostraron un alto rendimiento (>90% de sensibilidad, especificidad y precisión).; El rendimiento óptimo del algoritmo varió según las modalidades de imagen y las fuentes de datos, lo que indica resultados matizados.; Se identificaron tendencias emergentes para cada técnica de imagen.

Conclusiones:

• Los algoritmos de ML/IA muestran un potencial significativo en la imagen médica para el diagnóstico de la EP.; La SPECT y la PET de dopamina son modalidades muy eficaces cuando se combinan con ML/IA avanzada.; Se necesita más investigación para optimizar la selección de algoritmos en función de las modalidades de imagen específicas y las características de los datos.