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.
Copyright © 2018 Efraín Lima Miranda
Esta obra está sujeta a una licencia de Reconocimiento-NoComercial-CompartirIgual 3.0
España de CreativeCommons (CC BY-NC-SA 3.0 ES)