Deep learning para la estimación de la edad a partir de características derivadas de resonancia magnética cerebral

Abstract

Gracias a los avances de la medicina, la esperanza de vida es cada vez mayor. Sin embargo, esto conlleva a un envejecimiento de la población global, con el consecuente aumento de las enfermedades relacionadas con la vejez, destacando los trastornos neurodegenerativas por su alta prevalencia. De este aumento surge la necesidad de trabajar con medidas que evalúen de manera objetiva el grado de degeneración y envejecimiento, como es el caso del biomarcador Brain Age. En este Trabajo Fin de Grado se expone un modelo de Deep Learning de regresión para la predicción de la edad cerebral a partir de datos extraídos de imágenes de resonancia magnética. También se han incorporado técnicas de explainability para identificar las regiones a las cuales el modelo les atribuye más importancia. El modelo es entrenado con datos de sujetos sanos, y se prueba tanto en grupo control como pacientes con esquizofrenia. Estos grupos proceden de una base de datos externa al entrenamiento, y se les aplica el modelo con el objetivo de estudiar su capacidad de generalización y analizar si hay diferencias estadísticamente significativas en el Brain Age Gap entre individuos sanos y patológicos. Los resultados obtenidos fueron un MAE de 5.51, una correlación de 0.92 y un coeficiente de determinación de 0.87 en test. En el conjunto de datos externos las métricas empeoraron levemente, como es esperable en sistemas de este tipo. El análisis del Brain Age Gap demostró una diferencia significativa entre el grupo control y grupo con esquizofrenia crónica, pero no entre el grupo control y el grupo con primer episodio psicótico, una sintomatología que suele desarrollar en esquizofrenia. Las regiones con mayor importancia concuerdan con lo descrito en estudios previos.