FenixEdu™

Dissertação

{en_GB=Medical neuroimage consolidation from a grid of hospitals for the external validation of predictive models} {} EVALUATED

Detalhes: {pt=O diagnóstico da doença de Alzheimer só é obtido com 100% de certeza com um exame microscópico post-mortem detalhado do cérebro. As abordagens de Machine Learning são cada vez mais utilizadas no desenvolvimento de modelos preditivos para o diagnóstico precoce da doença de Alzheimer. Os principais problemas com tais modelos são a falta de interpretabilidade no final clínico e a falta de generalização dos referidos modelos devido à heterogeneidade das fontes de dados (instrumentação, protocolos de monitoramento, dados demográficos individuais). Para lidar com essas questões, este trabalho propõe uma ferramenta multi-diagnóstico, multi-lugar, clinicamente interpretável usando imagens de ressonância magnética. Além disso, apresenta as etapas para a consolidação dos dados onde as ressonâncias magnéticas são extraídas de fontes heterogêneas e anonimizadas a fim de manter o anonimato dos pacientes submetidos ao estudo. Além disso, o desempenho dos modelos é validado externamente em dados obtidos de forma independente de acordo com diferenças temporais, geográficas e/ou de domínio. Os modelos não generalizaram bem para a população-alvo tal como generalizaram para os dados originais. Das três classes possíveis, a classe Control apresentou o pior resultado, retornando 100% de precisão, mas apenas 16% de recall. As classes MCI e AD retornaram resultados semelhantes de precisão, 29% e 30% respectivamente, no entanto, a classe AD teve 83% de recall, enquanto o MCI apenas 43%. As observações recolhidas confirmam a dificuldade de realizar diagnósticos de neuroimagens ao abrigo dos diferentes protocolos de monitorização, classificações médicas, e demografia populacional. , en=The diagnosis of Alzheimer’s disease is only certain with a detailed post-mortem microscopic examination of the brain. Machine learning approaches are increasingly used in the development of predictive models for the early diagnosis of Alzheimer´s disease. The major issues with such models are the lack of interpretability at the clinical end and the lack of generalization of said models due to the heterogeneity of the data sources (instrumentation, monitoring protocol, individual demographics). To tackle these issues, this work proposes a multi-diagnostic, multi-site, clinically interpretable tool using MRI imaging. Furthermore, it presents the steps for the data consolidation where the MRIs are extracted from heterogeneous sources and are anonymized in order to maintain the anonymity of the patients subjected to the study. In addition, the performance of the models is externally validated on data obtained independently according to temporal, geographic, and/or domain differences. The models could not generalize well for the target population as they generalized for the testing partitions of the original data. Out of the three possible class labels, class Control showed the worst results, returning 100\% of precision yet significantly low levels of recall. MCI and AD classes returned similar results of precision, 29% and 30% respectively, however, AD had 83% of recall whereas MCI only 43%. The gathered observations confirm the difficulty of performing neuroimaging diagnostics under the different monitoring protocols, medical classifications, and population demographics. }
Keywords: {pt=Imagem por Ressonância Magnética, Doença de Alzheimer, Défice cognitivo leve, Validação externa, Consolidação de dados., en=Medical Resonance Imaging, Alzheimer´s disease, Mild Cognitive Impairment, Predictive models, External Validation, Data Consolidation.}

Discussão: novembro 25, 2021, 18:0