Aplicación de algoritmos de aprendizaje automático para predecir la disfunción cognitiva en pacientes de esclerosis múltiple mediante índices de conectividad estructural

Abstract

The present study aims to predict the cognitive performance of patients with multiple sclerosis (MS) through quantification of lesional volume and the microstructure of the brain network by means of machine learning techniques. This neurodegenerative disease is one of the main causes of both physical and cognitive disability in young adults. For this research, we have a sample of 140 patients with Multiple Sclerosis and 42 healthy controls. For each participant, information relating to four measures of diffusion tensor (DTI) (fractional anisotropy, medium diffusivity, axial diffusivity and radial diffusivity), number of fibers and lesional volume has been recorded. All this information coming from the analysis of structural connectivity is presented by symmetric matrices. After carrying out preprocessing tasks on all of this information using the NeuLoadData software, the best configuration parameters have been estimated for the algorithms Logistic Regression, Support Vector Machine (SVM), Gaussian Naive Bayes, Random Forest Classifier and Artificial Neural Network (ANN). Making use of only diffusion tensor measurements, all the models have had a successful prediction rate of over 75 %. Therefore, the proposed approach of machine learning for prediction cognitive performance in patients with MS has demonstrated satisfactorily its usefulness and interest as a tool to analyze a large set of data in the health field.

Este trabajo tiene como objetivo la predicción del rendimiento cognitivo del paciente con esclerosis múltiple (EM) a través de la cuantificación del volumen lesional y la microestructura de la red cerebral empleando herramientas de aprendizaje automático. Esta enfermedad neurodegenerativa es una de las causas más importantes de discapacidad física y cognitiva en adultos jóvenes. Para esta investigación se ha dispuesto de una muestra de 182 sujetos, donde 140 padecen de EM y 42 son controles sanos. De cada uno de ellos se dispone de cuatro medidas de tensor de difusión (DTI) (Anisotropía fraccional, Difusividad media, Difusividad axial y Difusividad radial), número de fibras y volumen lesional. Toda esta información proveniente del análisis de la conectividad estructural es presentada mediante matrices simétricas. Tras realizar las tareas de preprocesamiento y limpieza de toda esta información, con el software NeuLoadData, se han estimado los mejores parámetros de configuración para los algoritmos "Logistic Regression", "Support Vector Machine (SVM)", "Gaussian Naive Bayes, Random Forest Classifier" y "Artificial Neural Network (ANN)". Usando únicamente las medidas de tensor de difusión todos los modelos obtenidos han sido capaces de predecir exitosamente más del 75 %. Por lo tanto, el enfoque propuesto de aprendizaje automático para la predicción el rendimiento cognitivo en pacientes con EM ha demostrado su utilidad e interés como herramienta para analizar un gran conjunto de datos satisfactoriamente en el campo sanitario.

Aquest treball té com a objectiu la predicció del rendiment cognitiu del pacient amb esclerosi múltiple (EM) a través de la quantificació del volum lesional i la microestructura de la xarxa cerebral emprant eines d'aprenentatge automàtic. Aquesta malaltia neurodegenerativa és una de les causes més importants de discapacitat física i cognitiva en adults joves. Per a aquesta recerca s'ha disposat d'una mostra de 182 subjectes, on 140 pateixen de EM i 42 són controls sans. De cadascun d'ells es disposa de quatre mesures de tensor de difusió (DTI) (anisotropia fraccional, difusividad mitjana, difusividad axial i difusividad radial), nombre de fibres i volum lesional. Tota aquesta informació provinent de l'anàlisi de la connectivitat estructural és presentada mitjançant matrius simètriques. Després de realitzar les tasques de preprocesamiento i neteja de tota aquesta informació, amb el programari NeuLoadData, s'han estimat els millors paràmetres de configuració per als algorismes "Logistic Regression", "Support Vector Machine (SVM)", "Gaussian Naive Bayes, Random Forest Classifier" i "Artificial Neural Network (ANN)". Usant únicament les mesures de tensor de difusió tots els models obtinguts han estat capaços de predir reeixidament més del 75 %. Per tant, l'enfocament proposat d'aprenentatge automàtic per a la predicció el rendiment cognitiu en pacients amb EM ha demostrat la seva utilitat i interès com a eina per analitzar un gran conjunt de dades satisfactòriament en el camp sanitari.