Soporte de aprendizaje automático para el diagnóstico individual de deterioro cognitivo leve utilizando MRI multimodal y evaluaciones cognitivas

ANTECEDENTES: Entender si el perfil cognitivo de un paciente indica deterioro cognitivo leve (DCL) o niveles de rendimiento dentro de la normalidad es a menudo un desafío clínico. El uso de imágenes por resonancia magnética funcional en estado de reposo (RS-fMRI) y el aprendizaje automático pueden representar ayudas válidas en entornos clínicos para la identificación de pacientes con DCL. MÉTODOS: Se calcularon modelos de aprendizaje automático para probar la precisión clasificatoria de características cognitivas, volumétricas de imágenes por resonancia magnética estructural (sMRI) y conectividad dependiente del nivel de oxígeno en sangre (extraída de RS-fMRI), en clasificadores de modalidad única y mixtos. RESULTADOS: El mejor y más significativo clasificador fue el clasificador mixto RS-fMRI+Cognitivo (94% de precisión), mientras que el que tuvo peor rendimiento fue el clasificador de sMRI (∼80%). El global mixto (sMRI+RS-fMRI+Cognitivo) tuvo una precisión ligeramente inferior (∼90%), aunque no estadísticamente diferente del clasificador mixto RS-fMRI+Cognitivo. Las características cognitivas más importantes fueron índices de memoria declarativa y procesamiento semántico. La característica volumétrica crucial fue el hipocampo. Las características de RS-fMRI seleccionadas por los algoritmos se basaron en gran medida en la conectividad de regiones mediotemporales, temporales izquierdas y otras regiones neocorticales. CONCLUSIÓN: La selección de características fue profundamente impulsada por la independencia estadística. Algunas características no mostraron diferencias entre grupos, o mostraron una tendencia en cualquier dirección. Esto indica que las alteraciones cerebrales clínicamente relevantes típicas del DCL podrían ser sutiles y no inferibles a partir del análisis de grupo.