Un grupo de investigadores de varias universidades de Kaunas, Lituania, han desarrollado un método basado en el aprendizaje profundo, que puede predecir la posible aparición de la enfermedad de alzhéimer a partir de imágenes cerebrales, con una precisión de más del 99 por ciento.
Según la Organización Mundial de la Salud, OMS, esta enfermedad es la causa más frecuente de demencia y contribuye a hasta el 70 por ciento de los casos de demencia. Aproximadamente, unos 24 millones de personas se ven afectadas en todo el mundo, y se espera que este número se duplique cada 20 años. Debido al envejecimiento de la sociedad, la enfermedad se convertirá en una costosa carga de salud pública en los próximos años.
Uno de los primeros signos posibles de la enfermedad de Alzheimer es el deterioro cognitivo leve (DCL), que es la etapa entre el deterioro cognitivo esperado del envejecimiento normal y la demencia. Según una investigación anterior, la resonancia magnética funcional (fMRI) se puede utilizar para identificar las regiones del cerebro que pueden estar asociadas con la aparición de la enfermedad de Alzheimer, según Maskeliūnas. Las primeras etapas de DCL a menudo casi no tienen síntomas claros, pero en bastantes casos pueden detectarse mediante neuroimágenes.
Sin embargo, aunque teóricamente es posible, el análisis manual de imágenes de resonancia magnética funcional que intentan identificar los cambios asociados con la enfermedad de Alzheimer no solo requiere un conocimiento específico, sino que también requiere mucho tiempo: la aplicación del aprendizaje profundo y otros métodos de inteligencia artificial puede acelerar esto por un margen de tiempo significativo. Encontrar características de DCL no significa necesariamente la presencia de una enfermedad, ya que también puede ser un síntoma de otras enfermedades relacionadas, pero es más un indicador y una posible ayuda para orientarse hacia una evaluación por parte de un profesional médico.
«El procesamiento de señales moderno permite delegar el procesamiento de imágenes a la máquina, que puede completarlo con la suficiente rapidez y precisión. Por supuesto, no nos atrevemos a sugerir que un profesional médico deba confiar en un algoritmo al cien por cien. Piense en una máquina como un robot capaz de realizar la tarea más tediosa de clasificar los datos y buscar características. En este escenario, después de que el algoritmo informático selecciona los casos potencialmente afectados, el especialista puede examinarlos más de cerca y, al final, todos se benefician ya que el diagnóstico y el tratamiento llegan al paciente mucho más rápido», dice Maskeliūnas, quien supervisó el trabajo del equipo en el modelo.
Así es el modelo
El modelo basado en el aprendizaje profundo se desarrolló como una fructífera colaboración de los principales investigadores lituanos en el sector de la inteligencia artificial, utilizando una modificación de ResNet 18 bien afinado (red neuronal residual) para clasificar las imágenes de resonancia magnética funcional obtenidas de 138 sujetos. Las imágenes se dividieron en seis categorías diferentes: desde saludables hasta el espectro del deterioro cognitivo leve (DCL) hasta la enfermedad de Alzheimer. En total, se seleccionaron 51,443 y 27,310 imágenes del conjunto de datos de resonancia magnética funcional de la Iniciativa de neuroimagen de la enfermedad de alzhéimer para entrenamiento y validación.
Las tecnologías pueden hacer que la medicina sea más accesible y barata. Aunque nunca reemplazarán al profesional médico, las tecnologías pueden alentar la búsqueda de diagnóstico y ayuda oportunos.
Según el profesor Rytis Maskeliūnas, de la Facultad de Informática de KTU, el modelo pudo encontrar de manera efectiva las características de MCI en el conjunto de datos dado, logrando la mejor precisión de clasificación del 99,99 por ciento, 99,95 por ciento y 99,95 por ciento para MCI temprano, frente a AD, MCI tardío frente a AD, y MCI frente a MCI temprano, respectivamente.
También cree que el algoritmo podría convertirse en un software que analizaría los datos recopilados de los grupos vulnerables (mayores de 65 años, con antecedentes de lesión cerebral, hipertensión arterial, etc.) y notificaría al personal médico sobre las anomalías relacionadas con la aparición temprana de la enfermedad de alzhéimer.
