Modelado espacio-temporal de la progresión neurodegenerativa mediante aprendizaje profundo en neuroimagen

Abstract

El modelado computacional de la progresión de enfermedades neurodegenerativas enfrenta el desafío de capturar dinámicas espaciotemporales complejas a partir de datos longitudinales heterogéneos. Los enfoques actuales a menudo simplifican estas dinámicas asumiendo trayectorias lineales o carecen de la capacidad para generar simulaciones prospectivas personalizadas. Esta tesis propone un marco generativo unificado para simular y cuantificar la atrofia cerebral en la Enfermedad de Alzheimer y la Enfermedad de Parkinson, integrando aprendizaje profundo y morfometría basada en deformación.

La metodología se articula en tres contribuciones principales. Primero, se desarrolló una arquitectura híbrida que desacopla la representación espacial de la dinámica temporal, utilizando un Autocodificador Variacional para aprender un espacio latente de anatomías plausibles y un Transformer para modelar las trayectorias de progresión no lineales. Segundo, para validar la plausibilidad biológica de las simulaciones más allá de la similitud visual, se propuso un biomarcador de deformación longitudinal armonizado, basado en el determinante Jacobiano y estandarizado mediante técnicas libres de efectos de sitio (ComBat). Tercero, se abordó el problema de la escasez de datos en estadios prodrómicos mediante una estrategia de transferencia de aprendizaje con adaptación de Bajo Rango, permitiendo expandir el modelo a clases intermedias (Deterioro Cognitivo Leve y Parkinson Prodrómico) sin incurrir en olvido catastrófico.

Los resultados demuestran que el modelo VAE-Transformer supera a los enfoques lineales y recurrentes en la predicción de estados anatómicos futuros, logrando una mayor fidelidad anatómica medida por el coeficiente de Dice en regiones clave como el hipocampo. La validación cruzada con el biomarcador de deformación confirmó que las simulaciones capturan patrones de atrofia consistentes con la biología de la enfermedad. Además, la adaptación normativa validó la hipótesis de una jerarquía nosológica en el espacio latente.

Este trabajo establece un marco robusto para la generación de imágenes predictivas, con aplicaciones potenciales en el enriquecimiento de ensayos clínicos y la medicina de precisión.