ESCUELA DE DOCTORADO

 
Tesis Doctorales de la Universidad de Alcalá
CONTRIBUCIÓN AL DIAGNÓSTICO PRECOZ DE ESCLEROSIS MÚLTIPLE MEDIANTE REGISTROS DE TOMOGRAFÍA DE COHERENCIA ÓPTICA UTILIZANDO INTELIGENCIA ARTIFICIAL EXPLICABLE
Autor/aDongil Moreno, Francisco Javier
DepartamentoElectrónica
Director/aBoquete Vázquez, Luciano
Codirector/aOrtiz del Castillo, Miguel
Fecha de defensa26-06-2025
CalificaciónSobresaliente cum laude
ProgramaTecnologías de la Información y las Comunicaciones (RD 99/2011)
Mención internacionalNo
ResumenAntecedentes: La esclerosis múltiple es una enfermedad que afecta al sistema nervioso central, siendo la retina parte de este sistema. Su diagnóstico definitivo se realiza a partir de los criterios de McDonald que tienen en consideración aspectos clínicos y paraclínicos (imágenes de resonancia magnética y estudio de líquido cefalorraquídeo, principalmente). Estos criterios tienen margen de mejora, ya que se producen errores y existen demoras en el diagnóstico. En la última revisión de estos criterios se propone la búsqueda de nuevos biomarcadores entre los que se incluye los registros de tomografía de coherencia óptica. Con estos registros, que se obtienen de manera no invasiva y que son de fácil acceso, se puede contribuir al diagnóstico de la patología en sus primeras fases facilitando la aplicación de tratamientos modificadores de la enfermedad que suponen, generalmente, una mejor evolución de los pacientes. Objetivos: El objetivo general de esta tesis doctoral es investigar el diagnóstico precoz de esclerosis múltiple mediante algoritmos interpretables de inteligencia artificial a partir de registros de tomografía de coherencia óptica. Métodos: Se dispone de mapas de espesores de sujetos de control y de pacientes con esclerosis múltiple obtenidos mediante tomografía de coherencia óptica. Considerando los parámetros disponibles (estructuras y zonas retinianas, espesor medio entre ojos y diferencia interocular) se realiza una selección de características mediante técnicas de filtrado y de inteligencia artificial explicable con el fin de determinar cuáles tienen una mejor capacidad diagnóstica. Como clasificadores para el diagnóstico automático se emplean diferentes modelos de aprendizaje automático (random forest, XGBoost y máquinas de vector soporte con diferentes kernels). Resultados: La base de datos está formada por 69 sujetos de control y 79 pacientes sin historial de neuritis óptica con diagnóstico reciente de esclerosis múltiple (duración media de la enfermedad desde el diagnóstico definitivo de 1,42 años y mediana de nivel en la escala expandida del estado de discapacidad de 1,28), no presentándose diferencias significativas ni en edades ni en género entre ambos grupos. Con las técnicas de selección de características mediante filtrado los mejores resultados diagnósticos han sido obtenidos utilizando un XGBoost como clasificador (exactitud = 88,51 %). Realizando la selección de características utilizando inteligencia artificial explicable la eficacia diagnóstica mejora, alcanzándose una considerable exactitud del 92,57 %. En términos de interpretabilidad, atendiendo al modelo que ha aportado la mejor exactitud, los parámetros preponderantes para el diagnóstico reciente de esclerosis múltiple son los espesores medios entre ojos, el área paramacular y la capa de células ganglionares. Conclusiones: La realización de un análisis mediante inteligencia artificial explicable de los registros estructurales de la neuro-retina es adecuado para contribuir al diagnóstico de la esclerosis múltiple en sus primeras fases aportando resultados prometedores e interpretables. Palabras clave: Esclerosis múltiple, tomografía de coherencia óptica, aprendizaje automático, inteligencia artificial explicable.