Algoritmo detecta enfermedad de Alzheimer a partir de imágenes de RM con precisión de casi 100 %

La enfermedad de Alzheimer (EA) es una de las principales causas de muerte en el mundo. Los pacientes con EA a menudo experimentan pérdida de memoria y deterioro cognitivo debido al deterioro y la muerte de las células nerviosas del cerebro. Por lo general, para diagnosticar esta enfermedad se debe realizar una evaluación psiquiátrica, se debe evaluar la memoria y las habilidades para resolver problemas, o se deben realizar varios escáneres cerebrales, incluida la resonancia magnética (RM). La detección de una etapa temprana de la EA es una tarea especialmente difícil. Ahora, un algoritmo mejorado que puede detectar la EA a partir de imágenes de RM ha logrado una precisión superior al 98 % en un conjunto de datos de prueba para detectar la enfermedad neurodegenerativa mediante la mejora de un modelo de red neuronal.

Para facilitar el proceso de diagnóstico de EA, investigadores de la Universidad Tecnológica de Kaunas (KTU, Kaunas, Lituania) desarrollaron un método de aprendizaje profundo para detectar signos tempranos de EA a partir de imágenes de RM. El modelo siguió la idea original de su estudio anterior, pero utilizó un algoritmo modificado y una red más amplia para lograr resultados más adaptables. Los últimos estudios han demostrado que las redes neuronales convolucionales (CNN) preentrenadas pueden diagnosticar con precisión enfermedades cognitivas a partir de imágenes de resonancia magnética cerebral. El estudio anterior de los investigadores de KTU se basó en la modificación de la red ResNet18, pero esta vez investigaron una variante modificada de la red DensNet201, que tiene una mejor optimización de parámetros.

Para el estudio se utilizó una colección que consta de imágenes de escáneres cerebrales de 125 sujetos del conjunto de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI). Las imágenes se analizaron en términos de enfermedad de Alzheimer, deterioro cognitivo leve y demencia. El conjunto de datos utilizado en la investigación es abierto y se actualiza constantemente con las últimas imágenes de pacientes con EA, por lo que los resultados del estudio están actualizados y son relevantes. Además del uso de una red adicional y un conjunto de datos ADNI, el estudio difiere de investigaciones anteriores al usar un mecanismo de peso diferente y emplear un mapa de activación de clase de gradiente modificado. Es un paso adelante hacia la aplicación práctica porque el modelo pronto podrá marcar las áreas afectadas del cerebro. Según los investigadores, en el futuro se podrían agregar más variables al estudio para acelerar el proceso de diagnóstico.

“Usando el conjunto de datos de ADNI en constante aumento, el algoritmo se está preparando para reconocer los síntomas de la enfermedad en varias imágenes y se vuelve menos sensible a una fuente de datos específica. No es una revolución, pero ciertamente una evolución”, dijo Rytis Maskeliūnas, investigador del Departamento de Ingeniería Multimedia de KTU. “Pronto podríamos usar esta investigación en campos médicos. Nuestro objetivo es crear un modelo que detecte los síntomas de la EA en el cerebro y marque el área afectada en la pantalla de la computadora, ayudando al profesional médico a examinar la imagen. Entonces, al incluir nuevos parámetros y conjuntos de datos más amplios, estamos mejorando este modelo. En el futuro, planeamos usar marcadores biológicos y otros métodos de escaneo cerebral para una mayor eficiencia de diagnóstico y una mejor adaptabilidad”.
 

Enlaces relacionados:
Universidad Tecnológica de Kaunas

Visitar la expo >

Pocket Fetal Doppler

CONTEC10C/CL

40/80-Slice CT System

uCT 528

Digital Color Doppler Ultrasound System

MS22Plus

Ultrasonic Pocket Doppler

SD1