Predecir la progresión de la lesión cerebral en la esclerosis múltiple por medio de biomarcadores en las imágenes de resonancia magnética

Abstract

Según la organización mundial de la salud OMS la esclerosis múltiple es el trastorno neurológico primario más común en los adultos jóvenes, se presentan ataques repentinos sin patrón temporal establecido que producen ataques en el sistema nervioso y la formación de múltiples lesiones, esto conlleva a síntomas de la enfermedad típicos como pérdida del equilibrio, espasmos musculares, problemas de coordinación motora entre otros, estos síntomas generan discapacidades que pueden causar el deterioro de la vida cotidiana normal. Esta enfermedad presenta un curso bastante heterogéneo que genera un reto para ejercer el control medicado, las terapias personalizadas, el tratamiento y la medicación. Las Imágenes de resonancia magnética y su obtención de información cuantificada con herramientas como biomarcadores de imagen en específico radiómica, abren una puerta para examinar las lesiones del sistema nervioso casi que en tiempo real y esta información es vital para el diagnóstico de la enfermedad y para su seguimiento y control. Este trabajo presenta la construcción de un modelo de predicción de recuperación para cada lesión con información obtenida mediante biomarcadores de imagen como la radiómica en específico su morfología y análisis de textura, con esta información y usando herramientas del aprendizaje automático en específico aprendizaje supervisado se alimenta el algoritmo de aprendizaje que crea el modelo para las predicciones. La hipótesis fue que los descriptores radiómicos morfológicos y de textura de las lesiones de esclerosis múltiple en imágenes de resonancia magnética de 3 Teslas pueden ser asociados a la recuperación de la lesión. El modelo fue probado sobre una base de datos de imágenes de resonancia magnética de 3 Teslas con 19 pacientes y 271 lesiones obteniendo predicciones cuya evaluación de desempeño indica 86% de precisión y un AUC=92% . (Texto tomado de la fuente)

According to the world health organization WHO, multiple sclerosis is the most common primary neurological disorder in young adults. Sudden attacks without an established temporal pattern occur that produce attacks in the nervous system and the formation of multiple lesions, this leads to symptoms of the typical disease such as loss of balance, muscle spasms, motor coordination problems among others, these symptoms generate disabilities that can cause the deterioration of normal daily life. This disease presents a quite heterogeneous course that creates a challenge to exercise medical control, personalized therapies, treatment and medication. Magnetic resonance imaging and its obtaining of quantified information with tools such as radiomics specific imaging biomarkers open a door to examine nervous system lesions almost in real time and this information is vital for the diagnosis of the disease and for its treatment. monitoring and control. This work presents the construction of a recovery prediction model for each lesion with information obtained through image biomarkers such as radiomics, specifically its morphology and texture analysis, with this information and using machine learning tools specifically, supervised learning feeds the learning algorithm that creates the model for the predictions. The hypothesis was that the morphological and textural radiomic descriptors of multiple sclerosis lesions in 3-Tesla magnetic resonance images may be associated with recovery from the lesion. The model was tested on a 3-Tesla magnetic resonance imaging database with 19 patients and 271 lesions, obtaining predictions whose performance evaluation indicates 86 % accuracy and AUC=92 %.