COMUNICACIÓN ORAL | 01 diciembre 2020, martes | Hora: 15:00
AUTORES
Matias-Guiu Antem, Jordi 1; Díaz Álvarez, Josefa 2; Cabrera Martín, Maria Nieves 3; null, Vanesa 1; Segovia Ríos, Ignacio 4; Hernández Lorenzo, Laura 1; Moreno Ramos, Teresa 1; Carreras Delgado, Jose Luis 3; Ayala Rodrigo, Jose Luis 5; Matías-Guiu Guía, Jorge 1
CENTROS
1. Servicio de Neurología. Hospital Clínico San Carlos; 2. Departamento de Arquitectura de Computadores y Comunicaciones. Centro Universitario de Mérida. Universidad de Extremadura; 3. Servicio: Medicina Nuclear. Hospital Clínico San Carlos; 4. Departamento de Arquitectura de Computadores y Comunicaciones. Universidad Extremadura; 5. Departamento de Arquitectura Computacional. Universidad Complutense
OBJETIVOS
El diagnóstico de la enfermedad de Alzheimer (EA) y la demencia frontotemporal (DFT) es a menudo difícil. Nuestra hipótesis fue que la aplicación de técnicas de machine learning y, específicamente, los algoritmos genéticos, a la tomografía por emisión de positrones con 18F-fluorodeoxiglucosa (FDG-PET) puede ayudar en el diagnóstico seleccionando las características más significativas y automatizando el diagnóstico.
MATERIAL Y MÉTODOS
Se incluyeron 81 pacientes con DFT variante conductual (DFTvc), 88 con EA, 68 con afasia progresiva primaria (APP) y 29 controles sanos (CS). Fueron evaluados utilizando un protocolo clínico y cognitivo amplios, y FDG-PET. Se desarrollaron algoritmos genéticos con K-Nearest Neighbour y BayesNet Naives. Se identificaron la tasa de precisión más alta y las características (regiones cerebrales) más relevantes.
RESULTADOS
La precisión en la discriminación con FDG-PET superior al 90% tanato para EA vs CS, para DFTvc vs CS, para EA vs DFTvc y para la clasificación de los subtipos de APP. Se logró un número reducido de características, con tasas de reducción del 78% al 99% con respecto al número total de regiones cerebrales, y se seleccionaron varias regiones clave para cada diagnóstico.
CONCLUSIONES
Nuestro estudio apoya el uso de la FDG-PET en el diagnóstico de la EA y la DFT. El uso de algoritmos genéticos permitió una tasa de precisión muy alta y una reducción en el conjunto mínimo de características necesarias para el diagnóstico, lo que los hace adecuados para un diagnóstico automatizado basado en la imagen FDG-PET.
