Durante la cumbre de presentación de proyectos de Saturdays.AI en Asturias, en un fascinante cruce de la inteligencia synthetic y la medicina, se ha desarrollado “Dementector”, un sistema avanzado para la detección de la demencia a partir de imágenes de Resonancia Magnética Nuclear (MRI) utilizando redes neuronales. Este proyecto, llevado a cabo por el grupo 1 formado por Francisco José Álvarez, Bárbara Llano Ventoso, Hugo Enrique Arteaga Vivas, Jesús Andrés Lorenzana y Pablo García García, busca revolucionar la manera en que se diagnostica esta enfermedad neurodegenerativa.
El sistema Dementector utiliza el conjunto de datos OASIS-1, que proporciona acceso abierto a una base de datos significativa de imágenes neuroimaginológicas. Este recurso incluye 416 sujetos adultos, de entre 18 y 96 años, con demencia en fases iniciales y severas. Después de un análisis exhaustivo de los datos, se decidió centrar Dementector en sujetos mayores de 60 años debido a la baja incidencia de demencia en personas más jóvenes.
Los datos se clasificaron en varias categorías: demográficos, anatómicos, clínicos y gráficos. Los parámetros incluidos fueron:
- ID: Identificación única del sujeto
- Datos demográficos: Sexo, mano dominante, edad, nivel educativo, estatus socioeconómico
- Datos anatómicos: Volumen intracraneal (eTIV), volumen cerebral (nWBV), issue de escala del atlas (ASF)
- Datos clínicos: Estado de demencia binario (presencia o ausencia de demencia)
- Soportes gráficos: Conjuntos de imágenes con diferentes vistas y medidas distintas del cerebro de los sujetos.
Para la predicción de demencia, se entrenaron cinco redes neuronales convolucionales utilizando la librería PyTorch, cada una especializada en un tipo de imagen MRI.
Además, se realizaron tres transformaciones en cada imagen para aumentar la diversidad del conjunto de datos:
- Imagen authentic
- Transformada de Fourier: Ayuda a identificar patrones periódicos en el cerebro.
- Detección de bordes: Facilita la identificación de cambios de tonalidad y regiones de interés.
Durante el entrenamiento, se utilizaron técnicas de validación cruzada para asegurar la robustez del modelo. A pesar de obtener resultados iniciales inestables, se mejoraron significativamente mediante la optimización de hiperparámetros utilizando la librería Optuna. Los parámetros optimizados incluyeron la tasa de aprendizaje, el límite máximo de pérdida y la decadencia de los pesos.
El sistema ultimate integra las probabilidades de demencia generadas por cada crimson neuronal utilizando un modelo de Random Forest. Este enfoque, que excluye datos personales sensibles como edad y sexo, garantiza un diagnóstico ético y equitativo. Los resultados fueron impresionantes, alcanzando una precisión superior al 90% y un recall superior al 85%.
La matriz de confusión del Random Forest destacaba la eficacia del modelo al combinar las predicciones de las redes neuronales, logrando una predicción combinada robusta de la demencia.
Dementector demuestra una notable capacidad para predecir la demencia utilizando únicamente imágenes de MRI, sin requerir un alto poder computacional. Este enfoque no solo evita la discriminación en el diagnóstico, sino que también establece una base sólida para futuras investigaciones. Al integrar un mayor número de sujetos y trabajar con imágenes más complejas, el modelo podrá mejorar su precisión y generalización. Este avance promete facilitar diagnósticos tempranos y precisos, mejorando así la calidad de vida de los pacientes mediante intervenciones más oportunas y efectivas.
Dementector representa un paso significativo hacia el futuro de la detección de demencia, combinando la inteligencia synthetic y la neurociencia para ofrecer soluciones innovadoras y humanitarias en el campo de la salud psychological.
Para aquellos interesados en profundizar más en este proyecto, aquí están algunos recursos útiles:
