La Enfermedad de
Alzheimer es una enfermedad degenerativa del cerebro que progresa muy
lentamente y su diagnóstico suele hacerse cuando ya tiene síntomas. No
teníamos, hasta ahora, ninguna forma de identificar a los pacientes, que aún no
presentan síntomas, pero que van a desarrollar la enfermedad.
Investigadores de la Universidad
de California se plantearon la siguiente hipótesis. Si el cerebro se va
muriendo (perdiendo neuronas), irá consumiendo menos alimento (glucosa) y
podríamos analizar imágenes del consumo de glucosa por el cerebro para predecir
quiénes van disminuyendo su consumo de una forma patológica.
Link al estudio: https://doi.org/10.1148/radiol.2018180958 8
Para esto utilizaron tomografías
del cerebro con un estudio que se conoce como PET, que consiste en inyectarle
al paciente glucosa radioactiva y hacer una tomografía/scanner del cerebro y
ver cómo el cerebro la consume. Este estudio está presente en Chile y tiene
código FONASA (cuesta alrededor de 500.000)
Los investigadores entrenaron su
algoritmo con 1921 imágenes de PET-CT de un banco de imágenes (dataset) tomadas
entre 2005 y 2017 de la iniciativa ADNI (Alzheimer´s Disease Neuroimaging
Initiative), un banco de datos abiertos para promover la investigación en
Enfermedad de Alzheimer.
Cualquier investigador puede
solicitar acceso a las imágenes, los biomarcadores, datos clínicos… aplicando
en http://adni.loni.usc.edu 1
Después utilizaron 188 imágenes
del mismo banco para validar su algoritmo, y otras 40 imágenes provistas por el
investigador principal como banco de datos externo de validación.
¿Qué tiene el dataset?
El dataset tiene imágenes de
pacientes que, a lo largo de los años, desarrollaron enfermedad de Alzheimer
tanto como imágenes de pacientes que nunca la desarrollaron (sanos). De los que
desarrollaron la enfermedad, tienen, para los que fallecieron, los resultados
de las biopsias de cerebro (es el diagnóstico gold estándar de Alzheimer, donde
el patólogo ve las lesiones características de la enfermedad.
¿Cuáles fueron los resultados?
Muy alentadores. El algoritmo
predice con altísima sensibilidad (100%) y buena especificidad (82%) el
desarrollo de la enfermedad de Alzheimer en el paciente 6 años antes del
diagnóstico final, o sea, 6 años antes de lo que hacemos hoy en día.
|
Predicción
|
Error/precisión
|
|
Enfermedad de
Alzheimer
|
AUC = 0,98
|
AUC = Área bajo la curva (AREA
UNDER THE CURVE)
Menos de 0,5: Es como lanzar una
moneda.
Entre 0,5 y 0,6: Test malo.
Entre 0,6 y 0,75: Test regular.
Entre 0,75 y 0,9: Test bueno.
Entre 0.9 y 0.97: Test muy bueno.
Más de 0.97: Test excelente.
Esto es lo fantástico de la
inteligencia artificial en medicina.
Al estimar el riesgo o predecir,
la computadora está haciendo algo más que meramente aproximarse a las
habilidades del médico, está encontrando relaciones nuevas que no son evidentes
para los seres humanos.
¿Qué es lo nuevo?
Si hoy le pasamos a un neurólogo
un estudio de PET-CT de un paciente que en 6 años va a desarrollar Alzheimer,
el neurólogo no va a encontrar nada raro, no se va a dar cuenta. Los
cambios son tan sutiles, que no son discriminados por nuestra capacidad. ¡Ahí
la tecnología nos cambia la vida!
¿Qué podemos hacer?
Empezar los tratamientos para
retrasar la enfermedad de Alzheimer muchísimo antes, tomar acciones
pro-activas, llegar a tiempo.
¿Se puede mejorar?
Definitivamente. El set de
entrenamiento es pequeño, 1921 imágenes. Si miramos el set
de entrenamiento que utilizó Google sobre fondos de ojo que era
de 284.335, vemos que más es mejor predicción.
Como dice Atul Butte:
The successful future for #AI isn't going to be about evaluation of ROC
curves and precision and recall. It HAS to be about evaluating how good, how
fair, and how representative the training data were.
El futuro de esto depende de cuán
buenos, representativos y justos son los datos de entrenamiento. ¡Qué buena la
iniciativa ADNI! Necesitamos más iniciativas de donantes de datos para el
desarrollo expedito de estas tecnologías.
Fuente: Foro
Salud Digital
No hay comentarios.:
Publicar un comentario