Artículo original: Shin NY, Bang M, Yoo SW, Kim JS, Yun E, Yoon U, Han K, Ahn KJ, Lee SK. Cortical Thickness from MRI to Predict Conversion from Mild Cognitive Impairment to Dementia in Parkinson Disease: A Machine Learning-based Model. Radiology. 2021;300(2):390-9.
DOI: https://doi.org/10.1148/radiol.2021203383
Sociedad: Radiological Society of North America (RSNA) (@Radiology_RSNA)
Palabras clave: N/A.
Abreviaturas y acrónimos utilizados: EP (enfermedad de Parkinson), DCL (deterioro cognitivo leve), DAP (demencia asociada a Parkinson), RM (resonancia magnética), LASSO (least absolute shrinkage and selection operator), MMSE (mini mental state examination), UPDRS (unified Parkinson disease rating scale), CD (cohorte de descubrimiento), CE (cohorte de test externo), AUC (area under the curve), ROC (Receiver Operator Characteristic).
Línea editorial del número: En este número de Radiology encontramos artículos sobre técnicas y patologías a estudio muy variadas. Destacan algunos estudios, relacionados con este, sobre la estimación del riesgo de los nódulos pulmonares detectados en cribado mediante aprendizaje profundo o este otro sobre el uso de un modelo de riesgo basado en la RM para determinar la presencia de cáncer de próstata vs el uso de una estrategia basada en el PI-RADS y el PSA con el fin de evitar biopsias innecesarias.
Motivo de selección: El uso de técnicas de aprendizaje de máquinas es cada vez más común en el área de la investigación radiológica. Este estudio busca crear modelos basados en el aprendizaje de máquinas para poder encontrar características/variables que permitan predecir un determinado suceso en el paciente. Debido a las propiedades inherentes al aprendizaje de máquinas, se deberían encontrar, a priori, de una forma más objetiva y rigurosa dichas variables. Este trabajo muestra el uso de estas técnicas de una forma adecuada y permite ir familiarizándose con los estudios que utilizan aprendizaje de máquinas.
Resumen:
Aunque la EP se ha tratado tradicionalmente como una enfermedad puramente motora, varios estudios han mostrado que la enfermedad tiene un estrecha relación con síntomas no motores, siendo el deterioro cognitivo uno de estos síntomas más comunes. Se han reconocido dos entidades diferentes, mostrando una gran variabilidad entre sujetos, dentro de los síntomas cognitivos de la EP: el DCL y la DAP.
Se han realizado varios ensayos que buscaban encontrar causas que justificaran este mayor o menor desarrollo de síntomas no motores en la EP. Se han postulado como causantes de la DAP la afectación de la corteza cerebral posterior y la corteza cerebral frontal. Este estudio busca desarrollar modelos de aprendizaje de máquinas para la predicción de conversión a DAP en pacientes con EP y DCL utilizando el grosor cortical en la RM y la información de estado cognitivo, solos y de forma combinada.
Se obtuvo la muestra de pacientes de un hospital terciario de forma retrospectiva para la CD, que entrenaría el modelo – con un total de 117 pacientes con un intervalo entre la RM y las pruebas neuropsicológicas menor de 3 meses y un seguimiento de dichas pruebas de al menos un año – y de otro hospital para la CE de dicho modelo – con un total de 24 pacientes con similares características pero con imágenes obtenidas de modelos de RM diferentes.
En la CD hubo 42 convertidores a DAP y 75 no convertidores, mientras que en la CE hubo 4 convertidores a DAP y 20 no convertidores. Entre la cohorte CD y la CE hubo diferencias en el intervalo entre las pruebas basales de la función cognitiva y el seguimiento posterior, siendo más dilatado en el grupo CD, en el UPDRS-III, siendo peor el resultado en la CE y en el tabaquismo, siendo mayor en el CE. También hubo diferencias entre los distintos grupos (convertidores y no convertidores) en cada una de las cohortes, afectando sobre todo a las pruebas de función cognitiva en la CD y en el resultado del MMSE de ambas cohortes.
Para el análisis del grosor cortical se utilizó el programa Automated CIVET pipelines sobre imágenes cerebrales de RM en T1 en ambas cohortes – un programa que permite la medición y segmentación automática del grosor cortical cerebral. Se evaluaron 78 regiones cerebrales, obteniendo el grosor medio de cada una de estas regiones.
Para realizar el modelo basado en aprendizaje de máquinas para predecir la conversión o no de los pacientes con EP a DAP en la CD, se obtuvieron:
- Variables clínicas (n = 16)
- Scores de las pruebas neuropsicológicas (n = 14)
- Scores compuestos de las pruebas neuropsicológicas (n = 5) – atención, las funciones ejecutivas frontales, la memoria, el lenguaje y la función visuoespacial
- El grosor cortical de las distintas partes del cerebro (n = 78)
Se realizaron varios modelos para predecir la evolución o no a DAP. Se realizaron modelos sin filtrar las variables y otros eligiendo variables seleccionadas (que resaltan las diferencias entre los grupos), utilizando diversos métodos de creación de modelos de aprendizaje de máquinas. El método para elegir variables utilizado fue el LASSO y los métodos para la creación del modelo fueron el random forest y support vector machine. Las diversas combinaciones dieron lugar a un total de 100 modelos diferentes.
Al observar que los modelos que utilizaban algún método de selección de variable (LASSO en este caso) obtenían AUC mejores que sus equivalentes sin selección de variables, sólo se compararon aquellos que sí seleccionaban variables para la validación del modelo en la CE. Cada modelo entrenado daba una probabilidad a cada paciente de la CE de desarrollo de DAP; lo cual se iteraba miles de veces. Las probabilidades obtenidas de cada modelo se utilizaron para determinar la AUC de la curva ROC de dicho modelo.
Aquellos modelos que, además del método de selección de variables, combinaban variables de grosor cortical y variables clínicas/de estado cognitivo obtenían un mayor rendimiento que aquellos que utilizaban sólo uno de los tipos de variable.
Se observó cómo tanto áreas cerebrales anteriores como posteriores fueron elegidas de forma sistemática por los diferentes modelos entrenados para predecir la conversión a DAP de los pacientes con EP. Algunas de estas regiones fueron:
- El adelgazamiento cortical a nivel del giro angular izquierdo – implicado en funciones también seleccionadas como predictoras de conversión a DAP como reducida memoria, baja atención y limitadas función visuoespacial
- Giro olfatorio (bilateral)
- Giro recto derecho
- Giro orbitofrontal izquierdo – con la afectación clínica también, asociada a estas regiones de la función olfatoria.
También se observó que un grosor cortical aumentado a nivel de la corteza cingulada anterior derecha y del giro parahipocampal izquierdo, eran variables que predecían conversión a DAP. No obstante, esto tiene dudosa significación dado los estudios anteriores.
Además, los resultados de los modelos también podrían indicar la fisiopatología de la conversión de los pacientes con EP de EP con DAP – que zonas de la corteza se afectan y su repercusión clínica tiene sobre el paciente.
Valoración personal:
- Ventajas: un estudio en general bien planteado. Con unos objetivos claros y que lleva a cabo una propuesta de una forma muy interesante: el uso de modelos basados en el aprendizaje de máquinas para poder encontrar en este caso variables que predicen la conversión de pacientes con EP y DCL a DAP, lo cual también permite obtener una serie de datos adicionales sobre la propia patología, su funcionamiento, su afectación a nivel cerebral, que modelos son mejores y por qué… Un estudio cuyo modelo de trabajo vamos a ver cada vez más en los estudios de investigación.
- Desventajas: como algunos fallos, está el tema de que la terminología utilizada sobre el aprendizaje de máquinas y algunos modelos estadísticos está poco explicada y recae sobre el lector el conocimiento de estas (sí que es cierto que hay mucho material adicional online explicativo, pero insuficiente). Además, el estudio tiene algunas limitaciones como el carácter retrospectivo de la recogida de datos (y el análisis de estos), el bajo tamaño muestral, especialmente en la cohorte experimental y las inherentes al uso de un algoritmo automatizado sobre imágenes obtenidas por dos RM diferentes.
Nader Salhab Ibáñez
Hospital Clínic Universitari de València, R3
cbseram.com 
Deja una respuesta