Generative AI for Medical Images: Evaluating Synthetic Data in Diagnostic Model

Abstract

La enfermedad del Alzheimer es una patología neurodegenerativa que supone uno de los principales retos de la neurología actual, ya que a pesar de décadas de investigación, los mecanismos que causan la enfermedad de Alzheimer no se conocen por completo, y siguen existiendo importantes interrogantes sobre su origen y progresión. Una de las razones que limita el avance en este campo es la escasez y el desequilibrio de los conjuntos de datos disponibles, especialmente en fases muy tempranas de la enfermedad, donde la detección de patrones es difícil y la recogida de información se ve restringida además por las políticas de protección de datos y por la propia vulnerabilidad de los pacientes. Esta variabilidad se ve incrementada por la influencia de múltiples factores internos y externos del individuo y por la evolución asimétrica, de modo que la enfermedad no sigue siempre un patrón único y reproducible, lo que complica aún más la identificación de biomarcadores robustos y generalizables. Este estudio tiene como objetivo desarrollar y evaluar un sistema basado en un modelo de aprendizaje profundo con dos fases claramente diferenciadas. En una primera fase se entrena un modelo de clasificación capaz de clasificar cada sujeto a su estado cognitivo a partir de resonancias magnéticas (MRI). En la segunda fase se entrena un modelo generativo condicionado por clase, encargado de sintetizar nuevas imágenes realistas a partir del mismo conjunto finito de volúmenes, y se analiza hasta qué punto la incorporación de estas imágenes artificiales al conjunto de entrenamiento permite mejorar el rendimiento del clasificador original y mitigar, al menos parcialmente, el problema de la escasez de datos en el ámbito médico. Finalmente, se incluye una componente de explicabilidad que permite interpretar tanto las decisiones del modelo de clasificación como las diferencias morfológicas entre clases, facilitando así una lectura más clínica de los resultados obtenidos.

Alzheimer’s disease is a neurodegenerative condition that represents one of the main challenges in contemporary neurology, since despite decades of research, the mechanisms that cause Alzheimer’s disease are not fully understood and important questions remain regarding its origin and progression. One of the reasons that limits progress in this field is the scarcity and imbalance of available datasets, especially at very early stages of the disease, where pattern detection is difficult and data collection is further restricted by data protection policies and by the inherent vulnerability of patients. This variability is increased by the influence of multiple internal and external factors of each individual and by the asymmetric course of the disease, so that it does not always follow a single, reproducible pattern, which further complicates the identification of robust and generalizable biomarkers.

This study aims to develop and evaluate a system based on a deep learning model with two clearly differentiated phases. In the first phase, a classification model is trained to assign each subject to a cognitive state based on magnetic resonance imaging (MRI). In the second phase, a class-conditioned generative model is trained to synthesize new realistic images from the same finite set of volumes, and we analyze to what extent the incorporation of these artificial images into the training set can improve the performance of the original classifier and at least partially mitigate the problem of data scarcity in the medical domain. Finally, we include an explainability component that makes it possible to interpret both the decisions of the classification model and the morphological differences between classes, thus facilitating a more clinical reading of the results obtained.