| 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/a | Dongil Moreno, Francisco Javier | | Departamento | Electrónica | | Director/a | Boquete Vázquez, Luciano | | Codirector/a | Ortiz del Castillo, Miguel | | Fecha de defensa | 26-06-2025 | | Calificación | Sobresaliente cum laude | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | No | | Resumen | Antecedentes: 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. |
|
