TASNet: Un marco de fusión adaptativo robusto de escala atencional trimodal para la clasificación progresiva del...

Área de la Ciencia:

• Neuroimagen
• Análisis de biomarcadores
• Inteligencia artificial en medicina

Sus antecedentes:

• La predicción precisa de la progresión del deterioro cognitivo leve (pMCI) frente al MCI estable (sMCI) es fundamental para la intervención temprana de la enfermedad de Alzheimer (AD).
• Los métodos actuales que utilizan PET y sMRI enfrentan desafíos debido a las escalas heterogéneas, las distribuciones irregulares y la asincronía temporal de las lesiones, lo que lleva a una extracción y fusión de características inadecuadas.
• La integración de datos del líquido cefalorraquídeo (LCR) con neuroimagen ofrece una vía potencial para mejorar la precisión diagnóstica.

Objetivo del estudio:

• Desarrollar un marco innovador y robusto a escala de características para la clasificación precisa de pMCI frente a sMCI.
• Abordar las limitaciones en los métodos existentes para extraer y fusionar datos multimodales de imágenes (PET, sMRI) y biomarcadores de LCR.
• Mejorar la discriminabilidad de casos difíciles en la predicción temprana de AD.

Principales métodos:

• Introducción de la Red de Escala de Atención Trimodal Robusta (TASNet), un marco de extremo a extremo que integra datos de PET, sMRI y LCR.
• Utilización de un mecanismo de atención de fusión axial paralela 3D (PAFA) y un módulo de agrupación de pirámides espaciales atróficas variables en distribución (DV-ASPP) para la captura de características patológicas multiescala.
• Empleo de una función de pérdida híbrida sensible a la dureza (HAHL) para mejorar la clasificación de casos difíciles y la fusión adaptativa a través de la atención de canal dinámica simétrica.

Principales resultados:

• TASNet logró una precisión del 85,00% y un AUC del 91,67% en el conjunto de datos ADNI para la clasificación pMCI/sMCI.
• El análisis de explicabilidad confirmó el enfoque del modelo en regiones cerebrales consistentes con la patología de AD, como los lóbulos temporal y parietal.
• El método propuesto demostró un rendimiento superior en comparación con los enfoques de vanguardia, mitigando la pérdida de información y manejando eficazmente las características multiescala.

Conclusiones:

• TASNet ofrece una solución técnica robusta para la predicción temprana de AD con alta precisión y confiabilidad.
• El marco proporciona interpretabilidad clínica al centrarse en regiones cerebrales relevantes para la patología.
• Este enfoque mejora las métricas de clasificación para la predicción de pMCI/sMCI, superando a los métodos existentes.