Estudio de parámetros de textura mediante técnicas de aprendizaje máquina para la detección temprana de la enfermedad de Alzheimer en imágenes de resonancia magnética

Abstract

[ES] La enfermedad de Alzheimer (EA) es una enfermedad neurodegenerativa que se caracteriza por un deterioro cognitivo y conductual de inicio insidioso y progresivo de aparición en la edad adulta, y que es responsable del 70 al 76% de los casos de demencia en los países desarrollados. Actualmente su diagnóstico se realiza en las fases más avanzadas de la enfermedad, por lo que su detección temprana es uno de los principales desafíos en la medicina actual. Existen muchos estudios que definen cuáles son los signos neuropatológicos clásicos de la enfermedad del Alzheimer, sin embargo, aún no existe un tratamiento eficaz una vez se ha desarrollado la enfermedad. De esta idea surge la importancia de encontrar biomarcadores en la fase prodrómica (fase sintomática) o incluso en la fase preclínica (fase asintomática) de la enfermedad que permitan identificar un futuro desarrollo de la EA, con el fin de aplicar terapias que puedan variar la evolución natural de la EA o incluso prevenir su aparición. Hasta el momento, el conocimiento de los principales hallazgos neuropatológicos y fisiopatológicos de la EA ha permitido detectar algunas de las proteínas implicadas en la aparición de la enfermedad (beta-amiloide 42, tau total y tau fosforilada). Asimismo, se sabe que las estructuras del lóbulo temporal medial, concretamente el hipocampo y el córtex entorrinal, se afectan precozmente en la EA. Estudios con resonancia magnética (RM) cuantitativa han sugerido que la atrofia hipocámpica se inicia incluso con anterioridad al inicio de la demencia y aumenta con la progresión de la enfermedad, por lo que podría convertirse en un buen biomarcador. En los últimos años, el análisis cuantitativo y cualitativo de las imágenes de RM con el objetivo de extraer y evaluar la mayor cantidad de datos o parámetros posible para establecer biomarcadores de la enfermedad o lesión bajo estudio se ha convertido una de las líneas de investigación más prometedoras. El objetivo de este análisis reside en facilitar el diagnóstico médico, la predicción de la respuesta a tratamientos o la monitorización del estado de enfermedades. Una de las técnicas de extracción y análisis de parámetros más usadas en los últimos años ha sido el análisis de texturas, mediante el cual se evalúan matemáticamente las imágenes médicas a partir de la distribución de los píxeles o niveles de gris para hallar características no perceptibles a simple vista. El análisis de texturas se ha empleado sobretodo en estudios oncológicos (caracterización de los diferentes tipos de cáncer o identificación de los tipos de tumores cerebrales, por ejemplo), pero también se ha aplicado en otras áreas de investigación médica como las enfermedades cardiovasculares o las enfermedades neurodegenerativas, aunque en menor medida. Además de la extracción de los parámetros que describen la imagen, el análisis de texturas implica la evaluación inteligente de estos parámetros. Para ello se emplean técnicas de aprendizaje máquina o machine learning. Estas combinan las disciplinas de la computación y la estadística con el fin de encontrar en un conjunto de datos correlaciones o patrones determinantes que permitan caracterizar o clasificar grupos de muestras (clases) o pronosticar comportamientos futuros en un sistema. Para ejecutar correctamente las técnicas de aprendizaje máquina hay que tener en cuenta varios aspectos como, por ejemplo, cuántas clases tenemos, qué modelo clasificador se adapta mejor a los datos, cuántos parámetros son necesarios para conseguir el mejor resultado o si es necesario aplicar métodos de validación cruzada para evaluar los resultados correctamente.

[EN] Alzheimer’s disease (AD) is a neurodegenerative disease characterized by a cognitive and behavioral impairment with an insidious and progressive onset during adulthood, and it is responsible for 70 to 76% of cases of dementia in developed countries. Currently, its diagnosis is made in the most advanced stages of the disease, so its early diagnosis is one of the main challenges in current medicine. There are many studies that define which are the classic neuropathological signs of Alzheimer's disease but, however, there is no effective treatment once the disease has developed. This is the main reason for exploring biomarkers in the prodromal phase (symptomatic phase) or even in the preclinical phase (asymptomatic phase) of the disease ; it would allow the identification of a future development of AD in order to apply therapies that could change the natural evolution of the disease or even prevent its appearance. So far, the knowledge of neuropathological and physiopathological findings has allowed detecting some of the proteins involved in the appearance of the disease (amyloid beta 42, total tau and phosphorylated tau). It is also known that the structures of the medial temporal lobe, specifically the hippocampus and the entorhinal cortex, are also affected in early AD. Some quantitative studies with magnetic resonance imaging (MRI) have suggested that the hippocampal atrophy begins even before the onset of dementia and increases with the progression of the disease, so it could become a good biomarker. In recent years, the quantitative and qualitative analysis of MRI with the aim of extracting and evaluating information from these images to establish biomarkers of the disease or lesion under analysis has become one of the most important lines of research. The objective of this analysis is to help in the medical diagnosis, the prediction of the response to treatments or the monitoring of the stage of diseases. In the last years, the analysis of textures has become one of the most common feature extraction and analysis techniques, through which medical images are mathematically evaluated using the pixels or gray levels distribution to find featuresthat are not visually detectable. The analysis of textures has been used mainly in cancer studies (characterization of different types of cancer or identification of brain tumours types, for example), but it is also applied to a lesser extent in other areas of medical research as cardiovascular or neurodegenerative diseases. In addition to the extraction of the parameters that describe the image, texture analysis involves its intelligent evaluation. This evaluation is made with machine learning techniques. These techniques combine computational and statistical disciplines in order to find correlations in a data set which allow characterizing or classifying groups of samples (classes) and predict future behaviors of a system. To correctly execute these techniques, several aspects have to be taken into account, for example the number of classes that we have, which is the best classification model for our data set, the number of parameters which are needed to achieve the best result or if it is necessary to apply cross validation methods to evaluate the results.