#56#57 Perdonad que me meta en vuestra conversación... Esto de las multiplex network no tiene nada que ver con aprendizaje, en el sentido de que no son neural networks que se usan para hacer machine learning...
Estas networks o redes se usan para definir las features que posteriormente usan en el algoritmo de clasificación (un Random Forest, que seguramente lo conozcáis de sobra). Básicamente, al elegir el tamaño óptimo en el que dividir la imagen estructural que obtienen del cerebro de los sujetos, encuentran una división optima del cerebro en 549 regiones pequeñitas, cada una de las cuales presenta un patrón de nivel de materia gris. Comparando cómo de similares son dichos patrones de materia gris entre las 549 regiones, se llega a un network o red, cuyas nodos son las 549 regiones y las interacciones (links or edges) son la similaridad entre las regiones. Se puede visualizar como una matrix 549 x 549. Son a estas networks más o menos a las que llaman multiplex networks. Cada sujeto tiene su network (matrix), del cual definen las features que después usan para entrenar el algoritmo (un Random Forest) para clasificar etiquetas de sujetos ( Sano versus Alzheimer, Sano versus Deterioro cognitivo leve)
#45 Muchas gracias por el aporte! La verdad es que no lo conocía... y eso que el artículo original está en scietific reports, un pedazo de revista de la familia de Nature y encima open access...
Sobre el trabajo en si, muy muy interesante, en serio. Según he podido ver por encima, a diferencia del artículo de esta entrada en meneame, lo que han usado es un algoritmo, que en machine learning entra dentro del tipo no supervisionado, para encontrar subgrupos (también llamados clusters) dentro un grupo de pacientes con deterioro cognitivo leve que desarrollaron Alzheimer en un periodo máximo a 5 años. Básicamente, en un aprendizaje de tipo no supervisionado, te olvidas de cualquier etiqueta ( enfermo, sano, etc..) y te concentras en estudiar la estructura que tiene el grupo de personas que coges en base a unas variables que escoges. Por ejemplo, si cogemos un grupo de personas al azar en la sociedad, no importa que sean sanos o enfermos, y decidimos estudiar la estructura de este grupo según la altura por ejemplo, agruparíamos los sujetos de pequeña altura por un lado y los de mayor altura por otro. En el caso del artículo estadounidense, cogen un gran número de variables, que van desde lo clínico a lo genético pasando por medidas de imagen estructural del cerebro. Lo más interesante es que, usando estas variables, encuentran dos subgrupos dentro de aquel gran grupo de pacientes con deterioro cognitivo, uno con un deterioro mucho mas rápido hasta llegar a Alzheimer. Además, también señalan a unas cuantas variables en particular como marcadores que debamos mirar para saber si van a tener un futuro deterioro más rápido. Las aplicaciones clínicas de saber esto son altísimas.
Por otro lado, el artículo que has recomendado es complementario a este otro que tenemos aquí en meneame. Es importante mencionar que no todos los sujetos que presentan deterioro cognitivo leve tienen por qué acabar desarrollando Alzheimer. Por tanto, es aquí donde radica la importancia del trabajo del grupo de Bari, ya que te identifica quiénes van a acabar desarrollando el Alzheimer en el futuro. Una vez identificados quiénes van a acabar en Alzheimer, puedes usar los resultados del artículo de los estadounidenses para saber si dicho cámino va a ser más rápido o lento. Son muy importante todas estas conclusiones porque permiten aplicar un tratamiento personalizado al paciente según las previsiones de severidad de la enfermedad.
#7 Conozco el trabajo de este grupo. El artículo aquí compartido, desgraciadamente, no explica del todo claro lo que han hecho. Básicamente, como primero paso, han usado 67 imágenes como validation set para fijar un parámetro, que ellos llaman patch size, que optimiza el tamaño que han de tener las regiones, que contienen el nivel de materia gris del cerebro, para que capte al máximo la atrofia producida por el Alzheimer con respecto al cerebro sano.
Después, una vez fijado este parámetro patch size, se utiliza otra dataset INDEPENDIENTE para probar el rendimiento de un algoritmo de clasificación de machine learning para ver cómo de bien clasifica entre etiquetas de dos grupos. En un caso, se prueba sobre un grupo de 52 sanos contra un grupo de 48 pacientes de Alzheimer, con un porcentaje de acierto del 86%; en otro caso, se probó el mismo algoritmo para clasificar los mismos sujetos sanos de antes frente a 48 pacientes (diferentes a los anteriores mencionados) con leve deterioro cognitivo que, después en 10 años, desarrollaron Alzheimer. En este caso, el porcentaje de acierto es del 84%.
Este número es muy alto, ya que lo más difícil suele ser diferenciar las personas sanas de aquéllas con un leve deterioro cognitivo, ya que los cambios en el cerebro no son tan notorios como en el Alzheimer. Ser capaces de precedir con éxito más de 8 de cada 10 personas que van a acabar teniendo Alzheimer es vital para poder empezar a tratarles cuanto antes para poder ralentizar el deterioro cognitivo.
La importancia del trabajo radica en la introducción del parámetro que ajustan, ya que como he dicho, lo optimizan para captar los cambios lo mejor posible los cambios en nivel de materia gris producido por la atrofia del cerebro. Normalmente, en neuroimagen, cuando se hacen análisis de los cambios que se producen en el cerebro, se cogen unidades cúbicas pequeñas (en torno a 1 o 2 mm) llamadas voxels o regiones de interés según un atlas del cerebro predefinido, pero estas definiciones no tienen en cuenta la particularidad de la enfermedad. Es más, dicha metodología que estoy explicando no se ciñe sólo al Alzheimer, ya que puede ser aplicado también en otras enfermedades neurodegenerativas como el Parkinson.
Si alguien quiere saber más detalles, dejo el link al preprint original
Estas networks o redes se usan para definir las features que posteriormente usan en el algoritmo de clasificación (un Random Forest, que seguramente lo conozcáis de sobra). Básicamente, al elegir el tamaño óptimo en el que dividir la imagen estructural que obtienen del cerebro de los sujetos, encuentran una división optima del cerebro en 549 regiones pequeñitas, cada una de las cuales presenta un patrón de nivel de materia gris. Comparando cómo de similares son dichos patrones de materia gris entre las 549 regiones, se llega a un network o red, cuyas nodos son las 549 regiones y las interacciones (links or edges) son la similaridad entre las regiones. Se puede visualizar como una matrix 549 x 549. Son a estas networks más o menos a las que llaman multiplex networks. Cada sujeto tiene su network (matrix), del cual definen las features que después usan para entrenar el algoritmo (un Random Forest) para clasificar etiquetas de sujetos ( Sano versus Alzheimer, Sano versus Deterioro cognitivo leve)