MADRID, 7 Oct. (EUROPA PRESS) -
Investigadores de las universidades de Málaga (UMA) y Granada (UGR)han diseñado una nueva técnica basada en conceptos de inteligencia artificial para detectar la enfermedad de Alzheimer que también podría aplicarse a otras patologías como el Párkinson, según informan en el 'International Journal of Neural Systems'.
El diagnóstico temprano de esta enfermedad neurodegenerativa, que afecta a más de 40 millones de personas en el mundo, resulta crucial tanto para tratar la patología como para ayudar al desarrollo de nuevos tratamientos, ya que hasta el momento no ha sido posible encontrar una cura.
Su desarrollo está muy relacionado con cambios tanto estructurales como funcionales en la red de conectividad cerebral, puesto que la pérdida significativa de fibras originan también alteraciones funcionales como la pérdida de memoria. Sin embargo, hasta el momento no se ha logrado determinar cómo la actividad cerebral funcional deteriora la estructural y viceversa.
A este respecto, los diagnósticos asistidos por ordenador (DAO) suponen una importante herramienta para el diagnóstico al ayudar a los médicos a interpretar los contenidos multimedia obtenidos en pruebas a los pacientes, lo que permite que la aplicación del tratamiento pueda ser más simple y efectiva.
Uno de estos procedimientos son las imágenes médicas, que proporcionan información en vivo de gran resolución sobre las materias a estudiar y permiten utilizar la información relacionada con la enfermedad contenida en la imagen, algo en lo que trabaja desde hace años el grupo BioSip de la UMA, en colaboración con investigadores de la UGR.
En este caso, han presentado un método para el diagnóstico del Alzhéimer mediante la fusión de imágenes funcionales y estructurales basado en el uso de la técnica de aprendizaje profundo, conocido también como 'Deep Learning'.
Esta técnica de la Inteligencia Artificial (IA) tiene como objetivo modelar abstracciones de alto nivel en datos para lograr que las computadoras aprendan a diferenciar el cerebro de una persona sana del de una persona enferma extrayendo automáticamente las regiones de interés que se encuentren afectadas.
"El estudio utiliza técnicas de aprendizaje profundo para calcular predictores sobre imágenes de funcionalidad cerebral y de resonancia magnética para prevenir la enfermedad de Alzheimer. Para ello, hemos utilizado redes neuronales diferentes con las que modelar cada región del cerebro para posteriormente combinarlas", según explica Andrés Ortiz, uno de los autores de este trabajo.
CLASIFICACIÓN BASÁNDOSE EN EL ATLAS DIGITAL DEL CEREBRO
El estudio explora la construcción de métodos de clasificación basados en las arquitecturas de 'Deep Learning' aplicadas a regiones cerebrales definidas por el Automated Anatomical Labeling (AAL), un altas digital del cerebro humano.
Para ello, se han dividido las imágenes de la materia gris de cada área del cerebro de acuerdo a las regiones divididas por el AAL en diferentes sectores que se han utilizado para entrenar redes neuronales de 'Deep Learning' especializadas en las distintas regiones del cerebro. El conocimiento adquirido por dichas redes se combina posteriormente mediante diferentes técnicas de fusión que se presentan en este trabajo.
El resultado es una potente arquitectura de clasificación que combina el aprendizaje supervisado y no supervisado para extraer de forma automática las características más relevantes de un conjunto de imágenes. El método propuesto ha sido evaluado utilizando una enorme base de datos provenientes del Alzheimer's Disease Neuroimaging Initative (ADNI).
El trabajo, que además ha incluido a pacientes de otras deficiencias cognitivas que pueden desarrollar Alzheimer en un plazo de dos años, muestra la potencialidad de las técnicas de IA para revelar los patrones asociados a la enfermedad.
Las tasas de precisión obtenidas para el diagnóstico permiten dar un gran paso en el conocimiento del proceso neurodegenerativo implicado en el desarrollo de la enfermedad, además de servir de punto de partida para el desarrollo de tratamientos médicos más efectivos.
Por otro lado, las técnicas desarrolladas pueden servir o ser punto de partida para la mejora de la precisión en el diagnóstico de otras demencias como la enfermedad de Parkinson, donde también trabaja el grupo BioSip. Además, los métodos desarrollados se están utilizando en la mejora del diagnóstico y en la investigación del origen biológico de dificultades de aprendizaje como la dislexia, en un proyecto financiado por el Ministerio de Economía y Competitividad en el que participan los investigadores del grupo junto con investigadores del grupo Leeduca de la Universidad de Málaga.
