Detección del Alzheimer por medio de Imágenes de Resonancias Magnéticas utilizando Machine Learning
DOI:
https://doi.org/10.47185/27113760.v4n2.121Palavras-chave:
Alzheimer, Redes neuronales, aprendizaje automático, Inteligencia artificialResumo
El Alzheimer es una enfermedad neurodegenerativa que afecta a millones de personas en todo el mundo. En este artículo se aborda la detección de la enfermedad mediante el análisis de imágenes de resonancia magnética (MRI) y la utilización de técnicas de aprendizaje automático (Machine Learning). Se realizó una revisión bibliográfica exhaustiva sobre las investigaciones previas en este campo, lo que permitió identificar los desafíos y las limitaciones actuales en la detección del Alzheimer mediante MRI. En particular, se encontró que los métodos existentes pueden ser costosos, requerir un tiempo considerable y no ser lo suficientemente precisos. En consecuencia, se entrenaron tres modelos de aprendizaje automático (SVM, árboles de decisión y redes neuronales) para la detección del Alzheimer mediante imágenes de resonancia magnética (MRI). Se evaluó su capacidad para clasificar las imágenes en función de si pertenecen a un paciente con Alzheimer o a uno sano. Los resultados mostraron que los tres modelos logran detectar el Alzheimer con alta precisión, siendo la red neuronal la que ofrece el mejor rendimiento. Además, se observó que la selección de características relevantes es crucial para mejorar el rendimiento de los modelos. El uso de técnicas de aprendizaje automático para la detección temprana del Alzheimer a través de imágenes de MRI es una herramienta valiosa. Los modelos propuestos en este artículo demuestran un alto grado de precisión y velocidad, lo que los convierte en alternativas eficaces a los métodos convencionales.
Downloads
Referências
Alpaydin, E. (2020). Introduction to machine learning (3rd ed.). MIT Press.
Barakovic M, Ibrulj V, Skrbo A, et al. Machine Learning Approaches for Detection of Alzheimer's Disease: A Review. Med Arch. 2018;72(6):428-432. doi: 10.5455/medarh.2018.72.428-432
Brownlee, J. (2018). Deep learning for computer vision: Image recognition, object detection, and face recognition in Python. Machine Learning Mastery.
Belaroussi B, Milletari F, Navab N. Deep Learning-Based Multi-modal Fusion for Alzheimer’s Disease Diagnosis. In: Ourselin S., Joskowicz L., Sabuncu M.R., Unal G., Wells W. (eds) Medical Image Computing and Computer Assisted Intervention – MICCAI 2018. MICCAI 2018. Lecture Notes in Computer Science, vol 11072. Springer, Cham. doi: 10.1007/978-3-030-00928-1_31
Cuingnet, R., Gerardin, E., Tessieras, J., Auzias, G., Lehéricy, S., Habert, M. O., ... & Colliot, O. (2011). Automatic classification of patients with Alzheimer’s disease from structural MRI: A comparison of ten methods using the ADNI database. Neuroimage, 56(2), 766-781.
Eskildsen SF, Coupé P, García-Lorenzo D, et al. Prediction of Alzheimer's disease in subjects with mild cognitive impairment from the ADNI cohort using patterns of cortical thinning. Neuroimage. 2013;65:511-521. doi: 10.1016/j.neuroimage.2012.09.058
Feng, Y., Li, L., Zhang, Y., & Zhang, Y. (2018). Early Diagnosis of Alzheimer’s Disease Based on Resting-State Brain Networks and Deep Learning. Frontiers in Neuroscience, 12, 331. https://doi.org/10.3389/fnins.2018.00331
Grau-Rivera, O., Operto, G., Falcón, C., Brugulat-Serrat, A., Suárez-Calvet, M., Salvadó, G., ... & Molinuevo, J. L. (2021). Early diagnosis of Alzheimer’s disease: A multidisciplinary approach. Journal of Alzheimer's Disease, 79(2), 525-535. https://doi.org/10.3233/JAD-201262
Guo Y, Zhang Y, Zhu X, et al. Classification of Alzheimer's Disease Using Whole Brain Hierarchical Network. In: Fichtinger G., Martel A., Peters T. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2017. MICCAI 2017. Lecture Notes in Computer Science, vol 10433. Springer, Cham. doi: 10.1007/978-3-319-66179-7_47
Koutsoumpakis C, Leifert W, Stieler J, et al. Automated MRI-based classification of Alzheimer’s disease using individualized feature selection with ensemble learning. Neurocomputing. 2018;275:2483-2491. doi: 10.1016/j.neucom.2017.10.053
Liu S, Liu S, Cai W, et al. Multimodal Neuroimaging Feature Learning for Multiclass Diagnosis of Alzheimer's Disease. IEEE Transactions on Biomedical Engineering. 2015;62(4):1132-1140. doi: 10.1109/TBME.2014.2385145
Liu, S., Liu, S., Cai, W., Pujol, S., Kikinis, R., & Feng, D. (2020). Early diagnosis of Alzheimer’s disease with deep learning. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 2020, 2715-2724. https://doi.org/10.1109/CVPRW50498.2020.00330
Maggipinto T, Bellotti R, Altomare D, et al. MRI classification of Alzheimer's disease: a two-stage approach. IEEE J Biomed Health Inform. 2015;19(5):1551-1561. doi: 10.1109/JBHI.2014.2371434
Mendelson, Z. S., & Haughton, V. M. (2017). The Use of Machine Learning Techniques in Brain Magnetic Resonance Imaging: A Review. Journal of Neuroscience Methods, 301, 85-92. https://doi.org/10.1016/j.jneumeth.2017.07.008
Moradi, E., Pepe, A., Gaser, C., Huttunen, H., Tohka, J., & Alzheimer's Disease Neuroimaging Initiative. (2015). Machine learning framework for early MRI-based Alzheimer’s conversion prediction in MCI subjects. Neuroimage, 104, 398-412.
Organización Mundial de la Salud. (2021). Demencia. Recuperado de https://www.who.int/es/news-room/fact-sheets/detail/dementia
Sato JR, Hoexter MQ, Fujita A, et al. Machine-learning classification of OCD patients based on diffusion-weighted imaging tractography data. J Psychiatr Res. 2012;46(9):1124-1130. doi: 10.1016/j.jpsychires.2012.05.001
Schouten TM, Koini M, de Vos F, Seiler S, van der Grond J, Lechner A. Combining anatomical, diffusion, and resting state functional magnetic resonance imaging for individual classification of mild and moderate Alzheimer's disease. Neuroimage Clin. 2016;
World Health Organization. (2019). Dementia. Retrieved from https://www.who.int/news-room/fact-sheets/detail/dementia
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 laura paulina noreña correa
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.