Validazione comparativa di AI e non

Rapporti scientifici volume 13, numero articolo: 3439 (2023) Citare questo articolo

1082 accessi

12 Altmetrico

Dettagli sulle metriche

Una correzione dell'editore a questo articolo è stata pubblicata il 3 maggio 2023

Questo articolo è stato aggiornato

La segmentazione e la volumetria automatizzate delle scansioni di risonanza magnetica cerebrale (MRI) sono essenziali per la diagnosi della malattia di Parkinson (PD) e delle sindromi Parkinson plus (P-plus). Per migliorare le prestazioni diagnostiche, adottiamo modelli di deep learning (DL) nella segmentazione della risonanza magnetica cerebrale e confrontiamo le loro prestazioni con il metodo gold standard non DL. Abbiamo raccolto scansioni MRI cerebrali di controlli sani (\(n=105\)) e di pazienti con malattia di Parkinson (\(n=105\)), atrofia sistemica multipla (\(n=132\)) e paralisi sopranucleare progressiva (\ (n=69\)) presso il Samsung Medical Center da gennaio 2017 a dicembre 2020. Utilizzando il modello gold standard non DL, FreeSurfer (FS), abbiamo segmentato sei strutture cerebrali: mesencefalo, ponte, caudato, putamen, pallido e terzo ventricolo e li ha considerati come dati annotati per i modelli DL, i modelli rappresentativi basati sulla rete neurale convoluzionale (CNN) e sul trasformatore di visione (ViT). I punteggi Dice e l'area sotto la curva (AUC) per differenziare i casi normali, PD e P-plus sono stati calcolati per determinare la misura in cui le prestazioni FS possono essere riprodotte così come sono aumentando la velocità con gli approcci DL. I tempi di segmentazione di CNN e ViT per le sei strutture cerebrali per paziente erano rispettivamente di 51,26 ± 2,50 e 1101,82 ± 22,31 s, ovvero da 14 a 300 volte più veloci di FS (15.735 ± 1,07 s). I punteggi dei dadi di entrambi i modelli DL erano sufficientemente alti (> 0,85), quindi le loro AUC per la classificazione della malattia non erano inferiori a quelle di FS. Per la classificazione di normale vs. P-plus e PD vs. P-plus (eccetto atrofia sistemica multipla - tipo parkinsoniano) basata su tutte le parti del cervello, i modelli DL e FS hanno mostrato AUC superiori a 0,8, dimostrando inoltre il valore clinico dei modelli DL alle FS. DL riduce significativamente i tempi di analisi senza compromettere le prestazioni della segmentazione cerebrale e della diagnosi differenziale. I nostri risultati potrebbero contribuire all’adozione della segmentazione MRI del cervello DL in contesti clinici e far avanzare la ricerca sul cervello.

La diagnosi della malattia di Parkinson (PD) si basa principalmente sulla presentazione clinica. Tuttavia, per i sintomi atipici chiamati campanelli d'allarme1, la risonanza magnetica cerebrale (MRI) è essenziale per diagnosticare le sindromi Parkinson-plus (P-plus), come l'atrofia multisistemica (MSA) e la paralisi sopranucleare progressiva (PSP). La risonanza magnetica migliora l'accuratezza diagnostica e può essere utilizzata per monitorare la progressione della malattia2. La risonanza magnetica cerebrale può rivelare varie caratteristiche che compaiono nel P-plus ma non nel PD2,3,4. Ad esempio, i pazienti con PSP mostrano una marcata atrofia del mesencefalo5, nota come segno del colibrì. Nella MSA di tipo parkinsoniano (MSA-P), il putamen è atrofico, con un bordo laterale appiattito, e mostra un segnale ipointenso sulle immagini gradient-echo pesate in T1. I pazienti con MSA di tipo cerebellare (MSA-C) mostrano un'atrofia predominante nel ponte e nei peduncoli cerebellari medi, con conseguente aumento del rapporto mesencefalo-ponte6 e una diminuzione dell'indice di parkinsonismo alla risonanza magnetica7. Di conseguenza, sono state valutate anche misure quantitative del volume di queste strutture cerebrali, mostrando un'elevata sensibilità e specificità nel differenziare la PD da P-plus8.

Sebbene la sensibilità e la specificità diagnostica ottenute valutando l'area del mesencefalo siano generalmente elevate per differenziare tra PSP, MSA e PD9, la valutazione visiva di quest'area non è quantitativa, manca di obiettività e dipende fortemente dalle competenze del medico o dall'acquisizione delle immagini. Di conseguenza, le diagnosi basate su valutazioni visive hanno mostrato un ampio spettro di accuratezza, scendendo anche al di sotto dell'80%10,11,12. Per sviluppare un'analisi coerente e quantitativa della risonanza magnetica cerebrale, la volumetria dell'area del mesencefalo è stata utilizzata come predittore ottimale per una diagnosi accurata6,8,13,14. Pertanto, la segmentazione delle immagini cerebrali è diventata una fase importante nella maggior parte delle analisi a valle basate su modelli di previsione o metodi di apprendimento automatico (ML) per la volumetria e la diagnosi.