Clasificación de Etapas Temporales de Patología Tau Marcada con AT8 Mediante Aprendizaje Profundo Después de una...

Área de la Ciencia:

• Neuropatología
• Neurociencia Computacional
• Imagen Biomédica

Sus antecedentes:

• Las tauopatías son enfermedades neurodegenerativas caracterizadas por la acumulación anormal de proteína tau.
• La cuantificación de las etapas temprana e intermedia de la tauopatía es difícil debido a cambios morfológicos sutiles.
• La lesión cerebral traumática (LCT) puede inducir tauopatía, pero su progresión temporal está poco explorada.

Objetivo del estudio:

• Evaluar un marco de aprendizaje profundo para clasificar las etapas temporales de la progresión de la tauopatía.
• Evaluar el rendimiento de diferentes arquitecturas de redes neuronales convolucionales (CNN) en esta tarea.
• Aplicar este marco a micrografías corticales teñidas con AT8 de un modelo de ratón con LCT controlado.

Principales métodos:

• Se entrenaron tres arquitecturas de CNN (personalizada, InceptionV3, DenseNet) en micrografías teñidas con AT8.
• Las imágenes se clasificaron en cuatro etapas post-LCT: 1 día, 1 semana, 1 mes y 3 meses.
• El preprocesamiento de datos incluyó normalización, aumento y sobremuestreo, con evaluación del rendimiento mediante validación cruzada.

Principales resultados:

• DenseNet logró la mayor precisión (70,9%) y puntuación macro-F1 (0,68), con una excelente discriminación para la etapa de 1 semana (F1=0,95).
• Todos los modelos tuvieron dificultades con la etapa más temprana (1 día) y mostraron una superposición parcial en las etapas posteriores (1-3 meses).
• Los resultados sugieren que el aprendizaje profundo puede automatizar la estadificación de la tauopatía en la histología preclínica.

Conclusiones:

• El aprendizaje profundo, especialmente los modelos de aprendizaje por transferencia como DenseNet, ofrece un método escalable para la estadificación temporal automatizada de la tauopatía.
• El marco proporciona una base para la neuropatología digital, pero requiere conjuntos de datos más grandes para la generalización.
• El trabajo futuro debe centrarse en datos multicéntricos y modelado a nivel de portaobjetos para mejorar la detección temprana y la evaluación del tratamiento.