Durante mi doctorado, hice un esfuerzo para detectar el autismo aplicando el aprendizaje automático sobre las características extraídas de los escáneres cerebrales MRI ponderados en T1. Aquí está la disertación: “Detección de autismo basada en aprendizaje automático utilizando imágenes cerebrales” Detección de autismo basada en aprendizaje automático utilizando imágenes cerebrales “por Gajendra Jung Katuwal.
Dos cosas.
1) El trastorno del espectro autista (TEA) es un grupo altamente heterogéneo y las características morfológicas del cerebro en TEA son muy variables
- ¿Cuáles son algunas redes neuronales diferentes que podrían usarse como algoritmos de control en cuadricópteros autónomos?
- ¿Necesitamos aplicar una prueba de significación estadística en el aprendizaje automático?
- ¿Qué soluciones se están construyendo utilizando la tecnología IBM Watson?
- ¿Qué es la precisión en el aprendizaje automático?
- En los modelos gráficos, ¿cuál es la diferencia entre un gráfico de clúster y un gráfico de factores?
ASD es un espectro altamente heterogéneo y el autismo es un subgrupo en él. Comparamos las características morfológicas cerebrales de los TEA y los controles que generalmente se desarrollan (734 hombres del conjunto de datos ABIDE; edad 7-64 años) y descubrimos que las diferencias en las características cerebrales eran muy variables según la edad, el coeficiente intelectual y la gravedad. Aunque se logró un alto éxito en la clasificación de ASD versus controles en varios subgrupos por edad, coeficiente intelectual y gravedad (tan alto como ROCAUC del 92% para el subgrupo de baja gravedad), el éxito de clasificación en toda la cohorte fue moderado (ROCAUC de 61%).
En base a estos resultados, sugerimos, dado que ASD es una colección de subgrupos diferentes, podría ser más inteligente concentrarse en encontrar los marcadores cerebrales en subgrupos significativos en lugar de en todo el espectro a la vez. La solución que sugerimos es similar a la programación dinámica: dividir un problema complejo en problemas más simples y luego unificar las soluciones de los problemas más simples para obtener la solución del problema complejo.
Para obtener información detallada, consulte nuestro artículo de la revista “Divide y vencerás: Subgrupo de ASD mejora la detección de ASD” Divide y vencerás: Subgrupo de ASD mejora la detección de ASD basada en la morfometría cerebral ”
2) Detección precoz (3 a 4 años) de ASD utilizando funciones de resonancia magnética cerebral
Detectar ASD lo antes posible es deseable porque permitirá suficiente tiempo para los procedimientos de intervención temprana. Además, desde el punto 1, donde sugerimos centrarse en subgrupos de TEA, podría ser una buena idea centrarse en encontrar los marcadores cerebrales a temprana edad con la esperanza de encontrar los marcadores tempranos de TEA. Hicimos un esfuerzo en esta línea durante el último año de mi doctorado, donde nos centramos en una cohorte pediátrica (3 a 4 años; 15 sujetos con TEA y 18 controles) y logramos una clasificación alta ROCAUC del 95%. A continuación se presentan las principales anomalías cerebrales que encontramos en el TEA:
1) ventrículos anormalmente grandes
2) cortezas muy plegadas
3) baja intensidad de imagen en las regiones de la sustancia blanca, lo que sugiere déficits de mielinización indicativos de una conectividad estructural disminuida.
Nota: Estos resultados deben interpretarse cuidadosamente porque el tamaño de la muestra del estudio fue pequeño.
Para obtener información detallada, consulte el Capítulo 5 (Página 94-) de mi tesis “Detección de autismo basada en aprendizaje automático utilizando imágenes cerebrales” de Gajendra Jung Katuwal
Para asegurarme de que no tenga que pasar por una experiencia dolorosa de leer toda mi tesis, estoy pegando el resumen a continuación 🙂
–
El trastorno del espectro autista (TEA) es un grupo de discapacidades de desarrollo heterogéneas que se manifiestan en la primera infancia. Actualmente, el TEA se diagnostica principalmente evaluando las habilidades conductuales e intelectuales de un niño. Este diagnóstico de comportamiento puede ser subjetivo, lento, no concluyente, no proporciona información sobre la etiología subyacente y no es adecuado para la detección temprana. El diagnóstico basado en imágenes de resonancia magnética cerebral (IRM), una herramienta no invasiva ampliamente utilizada, puede ser objetivo, puede ayudar a comprender las alteraciones cerebrales en los TEA y puede ser adecuado para el diagnóstico temprano. Sin embargo, los hallazgos morfológicos cerebrales en TEA de los estudios de resonancia magnética han sido inconsistentes. Además, ha habido un éxito limitado en la detección de TEA basada en el aprendizaje automático utilizando características cerebrales derivadas de IRM. En esta tesis, comenzamos demostrando que el bajo éxito en la detección de ASD y los hallazgos inconsistentes son probablemente atribuibles a la heterogeneidad de las alteraciones cerebrales en ASD. Luego mostramos que la detección de TEA se puede mejorar significativamente al mitigar la heterogeneidad con la ayuda de información conductual y demográfica. Aquí demostramos que encontrar marcadores cerebrales en subgrupos bien definidos de TEA es más fácil y más perspicaz que identificar marcadores en todo el espectro. Finalmente, nuestro estudio se centró en la resonancia magnética cerebral de una cohorte pediátrica (3 a 4 años) y logró un alto éxito de clasificación (AUC del 95%). Los resultados de este estudio indican tres alteraciones principales en los cerebros con TEA temprana: 1) ventrículos anormalmente grandes, 2) cortezas muy plegadas y 3) baja intensidad de imagen en regiones de la sustancia blanca, lo que sugiere déficits de mielinización indicativos de una conectividad estructural disminuida. Los resultados de esta tesis demuestran que los marcadores cerebrales significativos de ASD pueden extraerse mediante la aplicación de técnicas de aprendizaje automático en los datos de IRM del cerebro. Esta técnica basada en datos puede ser una herramienta poderosa para la detección temprana y la comprensión de los fundamentos anatómicos del cerebro del TEA.
–
Referencias
1. GJ Katuwal, S. Baum, ND Cahill, AM Michael, Divide and Conquer: Sub-Agrupación de ASD mejora la detección de ASD, PLoS ONE, 11 (4): e0153331, abril de 2016
2. GJ Katuwal, Detección de autismo basada en aprendizaje automático mediante imágenes cerebrales, tesis doctoral, Instituto de Tecnología de Rochester, mayo de 2017
3. GJ Katuwal, ND Cahill, S. Baum, AM Michael, El poder predictivo de la resonancia magnética estructural en el diagnóstico del autismo, IEEE EMBS, Italia, agosto de 2015
4. Di Martino y col. (2014) El intercambio de datos de imágenes cerebrales del autismo: hacia una evaluación a gran escala de la arquitectura intrínseca del cerebro en el autismo. Psiquiatría molecular. 19 (6). p.pp. 659–67