Desarrollo de una aplicación interactiva sin servidor para la detección y visualización de la enfermedad de Alzheimer utilizando imágenes de resonancia magnética

AntecedentesLa enfermedad de Alzheimer requiere una detección temprana para una intervención efectiva con tratamientos modificadores de la enfermedad, sin embargo, persisten barreras significativas para su implementación en la práctica clínica, incluyendo una infraestructura computacional limitada y la brecha entre el rendimiento de los modelos de investigación y el despliegue práctico en entornos con recursos limitados.ObjetivosDesarrollar y evaluar un sistema de diagnóstico asistido por computadora para clasificar estados cognitivos (EA, MCI y CN) a partir de resonancias magnéticas estructurales, con preprocesamiento automatizado y despliegue en la nube rentable adecuado para instalaciones de atención médica con recursos limitados.DiseñoSistema de diagnóstico asistido por computadora que integra búsqueda de arquitectura neuronal con infraestructura de nube sin servidor.MétodosSe optimizó un modelo de análisis de MRI de múltiples vistas a través de la búsqueda de arquitectura neuronal, incorporando bloques de Botleneck Invertido Universal y Redes de Kolmogorov-Arnold. El preprocesamiento automatizado de MRI utilizando FSL se implementó a través de funciones sin servidor basadas en la nube para el procesamiento de imágenes escalable. La evaluación utilizó el conjunto de datos ADNI (1687 individuos: 368 EA, 625 MCI y 694 CN). Se desarrolló una aplicación web que proporciona gestión de pacientes, visualización de MRI y predicción diagnóstica automatizada.ResultadosEl modelo logró una precisión del 86.7% y un AUC de 0.900 en la clasificación de tres clases con 1.7 millones de parámetros. Se observó una alta especificidad en todas las clases (CN: 91.0%, MCI: 91.8%, EA: 97.3%), con una especificidad del 100% entre CN y EA asegurando que ningún caso de EA fuera mal clasificado como cognitivamente normal. Los costos operativos fueron aproximadamente 0.028 USD por diagnóstico para cargas de trabajo hospitalarias típicas.ConclusiónEste sistema proporciona un enfoque rentable para el diagnóstico temprano de Alzheimer accesible a entornos con recursos limitados. A pesar de los desafíos en la clasificación de MCI, la combinación de búsqueda de arquitectura neuronal con despliegue sin servidor demuestra un progreso hacia la detección automatizada de EA clínicamente desplegable. El trabajo futuro debería centrarse en la validación clínica prospectiva y la integración de características de interpretabilidad.