Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
Utilizan aprendizaje profundo para la evaluación de tipos de demencia en Alzheimer

Un nuevo estudio publicado en Nature Communications, utilizó aprendizaje profundo multimodal para evaluar demencia derivada de enfermedad de Alzheimer.

Anualmente se registran 10 millones de nuevos casos de demencia, y la gran parte de estos se deriva de Alzheimer. Por ello es necesaria la creación y el desarrollo de nuevas técnicas para mejorar los diagnósticos con este tipo de deterioros cognitivos. El artículo publicado en Nature Communications: “Aprendizaje profundo multimodal para la evaluación de la demencia por enfermedad de Alzheimer”, explora el desarrollo de un marco de aprendizaje profundo para el diagnóstico de demencia.

El modelo de aprendizaje profundo logró identificar a personas con cognición normal, con deterioro cognitivo leve y con demencia.  Los datos recopilados para entrenar a este modelo se obtuvieron de información clínica recopilada de forma rutinaria, así como datos demográficos, historial médico, pruebas neuropsicológicas, neuroimágenes y evaluaciones funcionales.

La precisión diagnóstica de los marcos fue evaluada al compararlos con el ejercicio de los neurólogos y neuro radiólogos. Posteriormente, los investigadores aplicaron métodos de interpretabilidad por medio de visión por computadora, para mostrar que los patrones específicos de la enfermedad habían sido identificados por sus modelos.

En este sentido, los modelos lograron rastrear patrones distintos de cambios degenerativos en todo el cerebro, así como la presencia de lesiones neuropatológicas. “Nuestro trabajo demuestra metodologías para validar predicciones computacionales con estándares establecidos de diagnóstico médico”, explican los autores.

El estudio presentó diversos modelos de aprendizaje automático y aprendizaje profundo, capaces de procesar datos clínicos multimodales, y así realizar diagnósticos diferenciales de Alzheimer. “Es importante destacar que nuestros modelos son capaces de funcionar con combinaciones flexibles de datos de imágenes y no de imágenes, y su rendimiento se generaliza bien en múltiples conjuntos de datos que presentan una amplia gama de estados cognitivos y subtipos de demencia”, explica el artículo.

 

No obstante, los autores reconocieron las limitaciones del estudio como la falta de diagnósticos de demencia mixta, ya que el modelo identifica por defecto solamente el diagnóstico de Alzheimer. En trabajos futuros, según indican los autores, pueden incluir la posibilidad de clasificación de etiquetas múltiples que favorezca el diagnóstico de demencias mixtas.

Consulta el estudio completo en el siguiente enlace:

https://www.nature.com/articles/s41467-022-31037-5

Contenidos Relacionados

Secured By miniOrange