Funcional y Clínico: Un Modelo de Aprendizaje Profundo Explicable para la Clasificación Multimodal de la Enfermedad...

Área de la Ciencia:

• Neuroimagen; Inteligencia Artificial; Diagnóstico Clínico

Sus antecedentes:

• Los modelos de aprendizaje profundo que utilizan fMRI muestran potencial para la clasificación de la enfermedad de Alzheimer (EA).
• Los desafíos incluyen conjuntos de datos pequeños, falta de explicabilidad y problemas de fiabilidad como la fuga de datos, lo que dificulta la adopción clínica.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo multimodal fiable y explicable para la clasificación de la EA.
• Abordar las limitaciones de los modelos basados en fMRI mediante la integración de datos clínicos y el uso de IA explicable (XAI).

Principales métodos:

• Se entrenó una red neuronal convolucional 3D con datos de fMRI de la red de modo por defecto y cinco pruebas clínicas.
• Se utilizó la integración de datos multimodales y una validación cruzada estricta de dejar uno fuera para superar las limitaciones de los datos y prevenir la fuga de datos.
• Se aplicó la clasificación por perturbación para el análisis de la importancia de las características.

Principales resultados:

• El modelo multimodal logró una precisión del 90% en la clasificación de EA frente a controles, superando significativamente a los modelos que utilizan solo fMRI (precisión del 58%).
• La importancia de las características varió según el grupo de diagnóstico, con pruebas clínicas como el MoCA mostrando una relevancia diferencial para los controles frente a los pacientes con EA.
• La IA explicable reveló distintos patrones de importancia de las características en los datos clínicos y de fMRI.

Conclusiones:

• La combinación de fMRI y datos clínicos en un modelo de aprendizaje profundo multimodal mejora la precisión de la clasificación de la EA y proporciona información sobre las características de la enfermedad.
• El modelo desarrollado demuestra potencial para refinar las herramientas de diagnóstico de la enfermedad de Alzheimer.
• Se recomienda una validación externa adicional con tamaños de muestra más grandes.