Clasificación de la gravedad de la disfagia después de un infarto medular lateral con aprendizaje profundo

Área de la Ciencia:

• Neurología
• Imágenes Médicas
• Inteligencia Artificial

Sus antecedentes:

• La disfagia es una complicación frecuente y grave del infarto medular lateral (LMI), que afecta la calidad de vida del paciente.
• La clasificación temprana y precisa de la gravedad de la disfagia es crucial para una intervención y estrategias de rehabilitación eficaces.

Objetivo del estudio:

• Desarrollar y validar un algoritmo de aprendizaje profundo para clasificar la gravedad de la disfagia en pacientes con LMI.
• Utilizar la RM de difusión en fase aguda para esta tarea de clasificación.

Principales métodos:

• Se realizó un análisis retrospectivo de 163 pacientes con LMI.
• La gravedad de la disfagia se evaluó mediante estudios de deglución videofluoroscópica (VFSS).
• Se entrenó un modelo de aprendizaje profundo de Transformer de Visión Jerárquica (Hier-ViT) con regiones de lesión etiquetadas manualmente a partir de escáneres de RM.

Principales resultados:

• El modelo Hier-ViT logró una precisión de 0.85, una precisión de 0.70, una recuperación de 0.75 y una puntuación F1 de 0.72.
• El área bajo la curva ROC (AUC) fue de 0.69, lo que indica una capacidad discriminatoria moderada.
• El modelo demostró potencial para clasificar la gravedad de la disfagia en pacientes con LMI basándose en hallazgos tempranos de RM.

Conclusiones:

• El aprendizaje profundo, específicamente Hier-ViT, muestra promesa en la clasificación de la gravedad de la disfagia en pacientes con LMI utilizando RM en fase aguda.
• Los hallazgos sugieren una herramienta potencial para la estratificación temprana del riesgo y la planificación personalizada del tratamiento.
• Se recomienda una mayor investigación y la integración de datos multimodales para mejorar el poder predictivo del modelo, especialmente en conjuntos de datos desequilibrados.