Contribución al diagnóstico precoz de esclerosis múltiple mediante registros de tomografía de coherencia óptica utilizando inteligencia artificial explicable
- Autores: Francisco Javier Dongil Moreno
- Directores de la Tesis: Luciano Boquete Vázquez (dir. tes.), Miguel Ortiz del Castillo (dir. tes.)
- Lectura: En la Universidad de Alcalá ( España ) en 2025
- Idioma: español
- Número de páginas: 150
- Tribunal Calificador de la Tesis: María del Carmen Pérez Rubio (secret.)
- Programa de doctorado: Programa de Doctorado en Tecnologías de la Información y las Comunicaciones por la Universidad de Alcalá
- Materias:
- Enlaces
- Tesis en acceso abierto en: e_Buah
- Resumen
- español
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.
- English
Background: Multiple sclerosis is a disease that affects the central nervous system and the retina belongs to this system. Its definitive diagnosis is made on the basis of the McDonald criteria, which take into account clinical and paraclinical aspects (mainly magnetic resonance imaging and cerebrospinal fluid studies). These criteria have room for improvement as errors occur and there are delays in diagnosis. The latest revision of these criteria proposes the search for new biomarkers, including optical coherence tomography recordings. With these recordings, that are obtained non-invasively and are easily accessible, it is possible to contribute to the diagnosis of the pathology in its early stages, facilitating the application of disease-modifying treatments that generally lead to a better evolution of the patients.
Objetives: The general objective of this doctoral thesis is to investigate the early diagnosis of multiple sclerosis using explanaible artificial intelligence algorithms from optical coherence tomography recordings.
Methods: Thickness maps of control subjects and patients with multiple sclerosis obtained by optical coherence tomography are available. Considering the parameters (retinal structures and areas, mean thickness between eyes and interocular difference), a selection of characteristics is made using filtering techniques and explainable artificial intelligence in order to determine which ones have a better diagnostic capacity. Different machine learning models are used as classifiers for automatic diagnosis (random forest, XGBoost and support vector machines with different kernels).
Results: The database consists of 69 control subjects and 79 patients with no history of optic neuritis with a recent diagnosis of multiple sclerosis (mean duration of the disease since definitive diagnosis of 1.42 years and median level on the expanded disability status scale of 1.28), with no significant differences in age or gender between the two groups. With the techniques of selection of characteristics by filtering, the best diagnostic results have been obtained using an XGBoost as a classifier (accuracy = 88.51 %). By selecting features using explainable artificial intelligence, the diagnostic efficiency improves, reaching a promising accuracy of 92.57 %. In terms of interpretability, according to the model that has provided the best accuracy, the predominant parameters for the recent diagnosis of multiple sclerosis are the average thickness between the eyes, the paramacular area and the ganglion cell layer.
Conclusions: Performing an analysis of the structural records of the neuroretina using explainable artificial intelligence is suitable to contribute to the diagnosis of multiple sclerosis in its early stages, providing promising and interpretable results.
- español
