Radiomática por MRI combinada con aprendizaje automático para diagnosticar deterioro cognitivo leve: un enfoque en la materia gris y blanca cerebelosa

Objetivo El Deterioro Cognitivo Leve (DCL) es un precursor reconocido de la Enfermedad de Alzheimer (EA), presentando un riesgo significativo de progresión. La detección e intervención temprana en el DCL puede potencialmente ralentizar el avance de la enfermedad, ofreciendo beneficios clínicos sustanciales. Este estudio empleó metodologías de radiomática y aprendizaje automático para distinguir entre grupos de DCL y Cognición Normal (CN). Métodos El estudio incluyó 172 pacientes con DCL y 183 controles sanos de la base de datos de la Iniciativa de Neuroimagen de Alzheimer (ADNI), todos los cuales tenían imágenes estructurales de MRI ponderadas en 3D-T1. La materia gris y blanca cerebelosa fueron segmentadas automáticamente usando el software volBrain, y las características radiómicas fueron extraídas y examinadas a través de Pyradiomics. Las características examinadas fueron luego introducidas en varios modelos de aprendizaje automático, incluyendo Random Forest (RF), Regresión Logística (LR), eXtreme Gradient Boosting (XGBoost), Máquinas de Soporte Vectorial (SVM), K Vecinos Más Cercanos (KNN), Árboles Extra, Light Gradient Boosting Machine (LightGBM), y Perceptrón Multicapa (MLP). Cada modelo fue optimizado para parámetros de penalización mediante validación cruzada de 5 pliegues para construir modelos radiómicos. La prueba de DeLong se utilizó para evaluar el rendimiento de diferentes modelos. Resultados El modelo LightGBM, que utiliza una combinación de características de materia gris y blanca cerebelosa (que comprende ocho características de materia gris y ocho de materia blanca), surge como el modelo más efectivo para el análisis de características radiómicas. El modelo demuestra un Área Bajo la Curva (AUC) de 0.863 para el conjunto de entrenamiento y 0.776 para el conjunto de prueba. Conclusión Las características radiómicas basadas en la materia gris y blanca cerebelosa, combinadas con aprendizaje automático, pueden diagnosticar objetivamente el DCL, lo que proporciona un valor clínico significativo para el diagnóstico asistido.