Unos investigadores de la Universidad de Washington en la Escuela de Ingeniería McKelvey de St. Louis han combinado inteligencia artificial con teoría de sistemas para desarrollar una forma más eficiente de detectar e identificar con precisión un ataque epiléptico en tiempo real. Sus resultados se publicaron en la revista Scientific Reports.
La
investigación se realizó en el laboratorio de Jr-Shin Li y fue dirigida por
Walter Bomela. También formaban parte del equipo Shuo Wang, antiguo alumno de
Li y ahora profesor asistente de la Universidad de Texas en Arlington, y Chu-An
Chou de la Universidad Northeastern.
"Nuestra
técnica nos permite obtener los datos en bruto, procesarlos y extraer una
característica que es más útil para que la utilice el modelo de aprendizaje
automático", dijo Bomela. "La mayor ventaja de nuestro enfoque es
fusionar las señales de 23 electrodos en un parámetro, que así puede ser
procesado eficientemente y con mucho menos recursos de computación".
En la ciencia
de la neurología, se piensa actualmente que la mayoría de los ataques ocurren
cuando la actividad normal del cerebro se ve interrumpida por un fuerte y
repentino disparo hipersincronizado de un grupo de neuronas. Durante una convulsión,
si una persona está conectada a un electroencefalograma (un
dispositivo conocido como EEG que mide las señales eléctricas) la actividad
cerebral anormal se presenta como descargas de picos y ondas amplificadas.
"Pero la
precisión en la detección de los ataques no es tan buena cuando se utilizan
señales de EEG temporales", dijo Bomela. El equipo desarrolló una técnica
de inferencia en red para facilitar la detección de un ataque y señalar su
ubicación con mayor precisión.
Durante una
sesión de EEG, la persona tiene electrodos conectados a diferentes puntos de su
cabeza, cada uno registrando la actividad eléctrica alrededor de ese punto.
"Tratamos los electrodos del EEG como nodos de una red. Utilizando las
grabaciones (datos de series temporales) de cada nodo, desarrollamos un método
basado en los datos para inferir las conexiones que varían en el tiempo en la
red o las relaciones entre los nodos", dijo Bomela. En lugar de mirar
únicamente los datos del EEG - los picos y las fuerzas de las señales
individuales - la técnica de red considera las relaciones. "Queremos
inferir cómo una región del cerebro está interactuando con otras", dijo.
Es la suma de estas relaciones lo que forma la red.
Esta imagen se registró durante dos convulsiones, una a los 2950 segundos, la otra a los 9200. El gráfico de la parte superior izquierda es de señales de EEG de tres electrodos. El superior derecho es un mapa de la red inferida. El tercero traza el valor propio de Fiedler, el único valor usado para detectar convulsiones usando la técnica de inferencia de red. (Foto: Li Lab)
Una vez que se
tiene una red, se pueden medir sus parámetros de forma holística. Por ejemplo,
en lugar de medir la fuerza de una sola señal, se puede evaluar la fuerza de
toda la red. Hay un parámetro, llamado valor propio de Fiedler, que
es de particular utilidad. "Cuando ocurra un ataque, verás que este
parámetro empieza a aumentar", dijo Bomela.
Y en la teoría
de redes, el valor propio de Fiedler también está relacionado con la
sincronicidad de una red... cuanto mayor sea el valor, más sincronizada estará
la red. "Esto concuerda con la teoría de que durante la convulsión, la
actividad cerebral está sincronizada", dijo Bomela.
Un sesgo hacia
la sincronización también ayuda a eliminar los artefactos y el ruido de fondo.
Si una persona, por ejemplo, se rasca el brazo, la actividad cerebral asociada
será captada en algunos electrodos o canales de EEG. Sin embargo, no se
sincronizará con la actividad de las convulsiones. De esa manera, esta
estructura de red reduce inherentemente la importancia de las señales no
relacionadas; solo las actividades cerebrales que estén sincronizadas causarán
un aumento significativo del valor propio de Fiedler.
Actualmente esta técnica funciona
para un paciente individual. El siguiente paso es integrar el aprendizaje
automático para generalizar la técnica a la hora de identificar diferentes
tipos de ataques en los pacientes.
La idea es
aprovechar varios parámetros que caracterizan la red y usarlos como
características para entrenar el algoritmo de aprendizaje automático.
Bomela compara
la forma en que esto funcionará con el software de reconocimiento facial,
que mide diferentes rasgos - ojos, labios, etc. - generalizando a partir de
esos ejemplos para reconocer cualquier rostro.
"La red
es como una cara", dijo. "Puedes extraer diferentes parámetros de la
red de un individuo -- como el coeficiente de agrupamiento o la centralidad de
la cercanía -- para ayudar al aprendizaje automático a diferenciar entre
diferentes ataques".
Eso es porque
en la teoría de redes, las similitudes en parámetros específicos están
asociadas con redes específicas. En este caso, esas redes corresponderán a
diferentes tipos de convulsiones.
Un día, una
persona con un trastorno convulsivo podrá usar un dispositivo análogo a una
bomba de insulina. A medida que las neuronas empiecen a sincronizarse, el
dispositivo administrará medicamentos o interferencias eléctricas para detener
la convulsión en marcha.
Pero antes de
que esto pueda suceder, los investigadores necesitan comprender mejor la red
neuronal. "Si bien el objetivo final es perfeccionar la técnica para su
uso clínico, en este momento nos centramos en el desarrollo de métodos para
identificar las convulsiones como cambios drásticos en la actividad
cerebral", dijo Li. "Estos cambios se capturan tratando el cerebro
como una red en nuestro método actual".
(Fuente: NCYT Amazings)
No hay comentarios.:
Publicar un comentario