Diagnóstico de esclerosis múltiple mediante aprendizaje automático usando datos de tomografía de coherencia óptica

Abstract

Objetivo: El objetivo de esta tesis doctoral es desarrollar nuevos métodos de diagnóstico de la enfermedad de la esclerosis múltiple (EM), basados en la aplicación de procesos de aprendizaje automático sobre medidas de espesores retinales. Base de datos: Se dispone de un registro compuesto por 47 sujetos de control y 56 pacientes de EM con diagnóstico precoz (menos de 9 meses tras los primeros síntomas de la enfermedad). Mediante tomografía de coherencia óptica, se obtienen datos de espesores de ambos ojos provenientes de cinco estructuras retinales: RNFL, Retina completa, GCL+, GCL++ y Coroides. Métodos: Se realiza un estudio sobre el registro para establecer zonas de un mayor interés diagnóstico mediante el cálculo de AUCs (área bajo la curva) y el análisis del tamaño de efecto, estableciendo distintas modalidades de análisis: imágenes completas, ventanas cuadradas y regiones de Cohen. Esta información se utiliza como entrada de diferentes clasificadores con aprendizaje supervisado: clasificadores KNN y SVM, redes neuronales tradicionales MLP y RBF y redes profundas CNN, ResNet y V-Net. Resultados: Se alcanzan exactitudes mayores de 90% al analizar imágenes completas, y cercanas a 100% para la modalidad de ventanas cuadradas y regiones de Cohen. Las estructuras que permiten obtener la mejor exactitud en el diagnóstico son la RNFL, Retina completa y GCL++. Conclusiones: La alta capacidad predictiva obtenida usando técnicas de aprendizaje automático sugiere que el uso de espesores retinales como biomarcadores sí resulta de interés para el diagnóstico de la esclerosis múltiple.