Aprendizaje profundo para predecir el futuro deterioro cognitivo: un enfoque multimodal que utiliza resonancia...

Área de la Ciencia:

• La neurociencia es la neurociencia.
• La inteligencia artificial es inteligencia artificial.
• La informática médica es la informática médica.

Sus antecedentes:

• La predicción del deterioro clínico en el envejecimiento de las personas con deterioro cognitivo es crucial para el tratamiento personalizado y los ensayos clínicos.
• Las métricas clave como la escala de calificación de demencia clínica "suma de cajas" (sobCDR) son vitales para el seguimiento de la progresión de la enfermedad.

Objetivo del estudio:

• Para comparar los enfoques de aprendizaje profundo para predecir cambios de 2 años en las puntuaciones sobCDR.
• Evaluar una red neuronal convolucional híbrida (CNN) que integra la resonancia magnética cerebral 3D con datos clínicos / demográficos contra un marco de aprendizaje automático de máquinas (AutoML).

Principales métodos:

• Entrenó una CNN híbrida utilizando una resonancia magnética cerebral ponderada T1 3D y datos tabulares (edad, sexo, IMC, sobCDR basal).
• Se comparó CNN con AutoGluon, un marco multimodal AutoML.
• Se evaluaron modelos en 2.319 participantes de las cohortes ADNI, OASIS-3 y NACC.

Principales resultados:

• La fusión multimodal de imágenes y datos tabulares es prometedora para el pronóstico de la demencia.
• El aprendizaje profundo en los datos de resonancia magnética no siempre puede agregar un valor predictivo significativo cuando las covariables clínicas son altamente predictivas.
• La fusión multimodal basada en AutoML ofrece una base sólida cuando los datos tabulares son fuertemente predictivos.

Conclusiones:

• El aprendizaje profundo puede fusionar imágenes cerebrales y datos clínicos para pronósticos personalizados de demencia.
• La utilidad de la fusión multimodal depende de los tipos de datos y el poder predictivo de las variables clínicas existentes.
• Comprender el valor relativo de las diferentes modalidades de datos es clave para seleccionar las estrategias de pronóstico adecuadas.