Un enfoque de aprendizaje profundo probabilístico para la segmentación del plexo coroideo en el trastorno del...

Área de la Ciencia:

• Neuroimagen
• Inteligencia artificial en medicina
• Neurociencia del desarrollo

Sus antecedentes:

• El plexo coroideo es una barrera cerebral crítica involucrada en la función neuroinmune.
• Se observan alteraciones morfológicas en el plexo coroideo en algunas personas con trastorno del espectro autista (TEA).
• La segmentación precisa del plexo coroideo mediante imágenes de resonancia magnética (RM) es esencial para estudios de población a gran escala de TEA.

Objetivo del estudio:

• Evaluar la generalización de la herramienta de aprendizaje profundo ASCHOPLEX (Segmentación automatizada del plexo coroideo) para la segmentación del plexo coroideo en personas con TEA.
• Evaluar el rendimiento de ASCHOPLEX en diferentes grupos de edad (niños y adultos).
• Investigar la utilidad de un enfoque probabilístico para cuantificar la incertidumbre de la segmentación y la confianza del modelo.

Principales métodos:

• Ajuste fino de la herramienta de aprendizaje profundo ASCHOPLEX en un conjunto de datos local de participantes con TEA y controles.
• Implementación de una versión probabilística de ASCHOPLEX para cuantificar la incertidumbre de la segmentación.
• Prueba del rendimiento de ASCHOPLEX en el conjunto de datos Autism Brain Imaging Data Exchange (ABIDE), que comprende niños y adultos.

Principales resultados:

• ASCHOPLEX demostró una buena generalización y una segmentación precisa del plexo coroideo en adultos en los conjuntos de datos locales y ABIDE.
• La precisión de la herramienta disminuyó en los niños, lo que indica una generalización limitada a este grupo de edad sin un ajuste adicional.
• El enfoque probabilístico proporcionó métricas de confianza, lo que mejoró la evaluación de la fiabilidad del modelo de segmentación.

Conclusiones:

• ASCHOPLEX es una herramienta de aprendizaje profundo capaz para la segmentación del plexo coroideo en datos de RM no vistos previamente, particularmente en adultos.
• Se requiere un ajuste fino específico para la edad para garantizar la precisión y generalización de ASCHOPLEX en poblaciones pediátricas.
• La incorporación de métodos probabilísticos fortalece la utilidad de las herramientas de aprendizaje profundo al proporcionar evaluaciones de confianza cruciales para aplicaciones clínicas y de investigación.