La esclerosis múltiple (EM) es una enfermedad crónica del sistema nervioso central caracterizada por la inflamación, la desmielinización y la neurodegeneración. La EM es una de las principales causas no traumáticas de discapacidad irreversible en adultos jóvenes y cuyo curso de la enfermedad varía ampliamente entre individuos. En la práctica clínica, el uso de imágenes de resonancia magnética (RM) ha acontecido una herramienta esencial en el diagnóstico y pronóstico de la EM. En los últimos años, la combinación de modelos basados en aprendizaje profundo (deep learning) con imágenes de RM ha presentado resultados prometedores en el estudio de la EM. Sin embargo, las características predictivas subyacentes de la progresión de la EM aún son desconocidas.
En esta tesis doctoral, cuestionamos si los modelos de aprendizaje profundo aplicados únicamente al análisis de imágenes cerebrales de RM pueden utilizarse para predecir diferentes estados del curso de la enfermedad en pacientes con EM y su potencial aplicabilidad en la práctica clínica. Para lograr este objetivo, presentamos dos aproximaciones diferentes para la estratificación de pacientes con EM en estudios transversales y un estudio de pronóstico. Para cada propuesta, incluimos estrategias de interpretación para que los modelos de aprendizaje profundo sean más explicativos y fiables des de un punto de vista clínico. Todos los experimentos que componen esta tesis doctoral han sido realizados con una cohorte interna de pacientes con EM seguidos prospectivamente en el tiempo después de su primer brote desmielinizante.
En el primer estudio, propusimos un modelo de aprendizaje profundo para la estratificación binaria de pacientes con EM en función de su puntuación de discapacidad evaluada por un neurólogo. El modelo propuesto toma como únicos datos de entrada imágenes de RM cerebral tomadas en un único punto temporal en cualquier estado del curso de la enfermedad. Al evaluar la interpretación de los resultados obtenidos mediante mapas de atención, observamos una mayor importancia en la corteza frontotemporal y el cerebelo en el desarrollo de la acumulación de discapacidad.
En el siguiente estudio, analizamos el uso del mismo modelo de aprendizaje profundo utilizando diferentes datos regionales de entrada, predefinidos, para compararlos con la entrada global de todo el cerebro. Estas regiones incluyeron los tejidos de sustancia blanca y gris, los ventrículos laterales, el cerebelo y el tronco cerebral, y las estructuras subcorticales de sustancia gris. A pesar de que el modelo regional de sustancia gris obtuvo el mejor rendimiento, al evaluar los modelos en una cohorte externa, los resultados sugirieron que una entrada global ofrece un mayor y más robusto rendimiento para la generalización del modelo.
Finalmente, propusimos un modelo de supervivencia en tiempo discreto para predecir la función de supervivencia de pacientes con un primer brote desmielinizante que desarrollarán un primer evento de progresión independiente de la actividad de brotes (PIRA, por sus siglas en inglés), utilizando la primera RM de cerebro adquirida después del primer brote desmielinizante. Con los resultados obtenidos, pudimos mejorar el poder predictivo de un modelo de supervivencia clásico usando como covariante la edad en el momento del primer brote, conocido como el predictor de PIRA más relevante.
En esta tesis doctoral, hemos desarrollado con éxito modelos de aprendizaje profundo precisos y automatizados respaldados por algoritmos de interpretabilidad con el objetivo de revelar las regiones en el cerebro que dirigen las decisiones obtenidas a partir del modelo. Este trabajo marca los primeros pasos de posibles nuevos modelos predictivos destinados a mejorar la gestión de pacientes con EM, sentando las bases para una potencial futura integración en la práctica clínica rutinaria.
| Fecha de lectura | 6 feb 2024 |
|---|
| Idioma original | Inglés |
|---|
| Supervisor | Deborah Pareto Onghena (Director/a), Xavier Lladó Bardera (Director/a) & Carmen Tur Gomez (Director/a) |
|---|
Deep learning applied to brain MRI data for patient stratification and prediction of multiple sclerosis disease course
Coll Benejam, L. (Autor/a). 6 feb 2024
Tesis doctoral
Coll Benejam, L. (Autor/a), Pareto Onghena, D. (Director/a), Lladó Bardera, X. (Director/a) & Tur Gomez, C. (Director/a),
6 feb 2024Tesis doctoral