Clasificación ordinal de los grados de afectación de la enfermedad de Parkinson empleando imágenes de transportadores presinápticos de dopamina

Áreas de investigación:

• Methodology - Machine learning

Año:

2018

Tipo de publicación:

Artículo en conferencia

Palabras clave:

Enfermedad de Parkinson, SPECTCT, aprendizaje automático, clasificación ordinal

Autores:

• Camacho-Cañamón, Julio
• Guiote, Marı́a-Victoria
• Santos-Bueno, Antonio-Marı́a
• Rodrı́guez-Cáceres, Ester
• Carmona-Asenjo, Elvira
• Vallejo-Casas, Juan-Antonio
• Gutiérrez, Pedro Antonio
• Hervás-Martínez, César

Título del libro:

Proceedings of the 2018 Conference of the Spanish Association for Artificial Intelligence (CAEPIA2018)

Páginas:

167-172

Organización:

Granada (Spain)

Mes:

23rd-26th October

ISBN:

978-84-09-05643-9

Abstract:

La enfermedad de Parkinson se caracteriza por un descenso de la densidad de transportadores presinápticos de dopamina en los núcleos de la base. El método habitual de clasificación está basado en la observación y el análisis cualitativo de las imágenes obtenidas tras la administración de 123 I-ioflupano al paciente que se va a diagnosticar. De esta forma, las técnicas recientes de neuroimagen, como la imagen dopa- minérgica utilizando tomografı́a computarizada por emisión de fotón único (SPECT-CT) con 123 I-ioflupano (DaTSCAN), han demostrado detectar la enfermedad, incluso en etapas tempranas. Sin embargo, los comités internacionales recomiendan un análisis cuantitativo, asociado a la construcción de modelos de apoyo que complementen el diagnóstico visual. El objetivo del presente estudio es establecer un sistema de apoyo a la decisión, mediante la clasificación ordinal de las imágenes asociadas a los diferentes grados de afectación de la enfermedad mediante técnicas de aprendizaje automático. La base de datos utilizada está formada por 316 estudios realizados a pacientes entre septiembre de 2015 y mayo de 2018, distribuidos en tres grupos: 191 no padecen la enfermedad de Parkinson, 55 la padecen con un nivel de afectación leve y 70 con un nivel de afectación grave. Tras la administración intravenosa de 5 mCi (185 MBq), se realizó una SPECT-CT, preprocesando y normalizando espacialmente las imágenes. Como clasificador ordinal utilizamos un método de regresión logı́stica, que nos permite obtener las caracterı́sticas (vóxeles de la imagen) más informativas para la tarea de clasifica- ción. El mejor modelo alcanzó un error absoluto medio máximo (MMAE) de 0,4857, tras la aplicación de un diseño experimental de tipo 5-fold. El análisis de los vóxeles más informativos, de acuerdo con el modelo obtenido, destaca regiones del cerebro que no son consideradas habitualmente por los especialistas para el diagnóstico visual.