Aplicación de aprendizaje automático y aprendizaje profundo para predecir la depresión a partir de resonancia...

Área de la Ciencia:

• Neuroimagen
• Psiquiatría
• Aprendizaje automático

Sus antecedentes:

• La precisión de los predictores basados en el cerebro para el trastorno depresivo mayor (TDM) sigue siendo un desafío importante en la neurociencia clínica.
• Los métodos existentes a menudo luchan por lograr un alto rendimiento diagnóstico utilizando datos de RM estructural.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático y aprendizaje profundo para predecir el TDM utilizando la estructura de materia gris a nivel de vóxel a partir de RM con ponderación T1.
• Evaluar el rendimiento de estos predictores en cohortes independientes del UK Biobank y una cohorte de replicación clínica.

Principales métodos:

• Se entrenaron modelos de Predictores Lineales No Sesgados Óptimos (BLUP) y de aprendizaje profundo ResNet3D con datos del UK Biobank (987 casos de TDM, 3934 controles).
• Se evaluó la precisión del predictor utilizando el Área Bajo la Curva (AUC) en una subcohorte independiente del UK Biobank (483 casos de TDM, 1939 controles) y la cohorte DEP-ARREST CLIN (64 casos de TDM, 32 controles).
• Se comparó el rendimiento del predictor BLUP con una puntuación poligénica (PGS) para la depresión mayor.

Principales resultados:

• El predictor BLUP mostró una asociación modesta pero significativa con el estado de TDM en el UK Biobank (AUC=0.57, p=1.1×10⁻⁵).
• El análisis de las regiones de interés (ROI) cerebrales sugirió contribuciones de áreas como el hipocampo y la amígdala, aunque sin alcanzar la corrección por pruebas múltiples.
• El predictor BLUP capturó varianza única no explicada por el PGS, con un AUC combinado de 0.66.
• El predictor de aprendizaje profundo no mostró una asociación significativa con el TDM después de las correcciones por pruebas múltiples.
• La morfo-metricidad estimada del TDM fue de 0.061, lo que indica un potencial limitado para la predicción basada en la estructura de la materia gris (AUC máxima=0.64).

Conclusiones:

• Los predictores de TDM basados en la estructura de la materia gris tienen actualmente una utilidad clínica limitada debido a su modesta precisión.
• El enfoque BLUP muestra potencial, capturando aspectos genéticos y no genéticos del TDM, lo que justifica una mayor investigación.
• La investigación futura debe centrarse en la integración de datos multimodales y la exploración de las contribuciones de las regiones cerebrales para mejorar los modelos de predicción del TDM.