Científicos crearon método que utiliza el aprendizaje automático para evaluar la progresión de la enfermedad en pacientes con deterioro cognitivo.
La
enfermedad de Alzheimer es la causa más común de demencia y afecta a millones
de ancianos en todo el mundo. La detección precoz es clave para mejorar la
calidad de vida de los afectados y sus familias, pero identificarla en sus
estadios iniciales no siempre es fácil.
Para
intentar mejorar en este campo y lograr mejores resultados, investigadores de
la Universidad Politécnica de Madrid (UPM) aplicaron técnicas de
inteligencia artificial (IA) de aprendizaje automático al análisis de
diferentes modalidades de imágenes médicas utilizadas para el diagnóstico de
enfermedades neurológicas.
"Desde
un punto de vista clínico, la resonancia magnética (RM) y la tomografía por
emisión de positrones (PET) son las dos modalidades de imágenes médicas
utilizadas en el diagnóstico de este tipo de enfermedades, ya que aportan
información complementaria de los aspectos anatómicos y metabólicos de la
enfermedad", explicó Consuelo Gonzalo, investigadora del Centro de
Tecnología Biomédica de la UPM y una de las autoras de este trabajo.
“Pero
lamentablemente estas pruebas no se realizan sincrónicamente, lo que dificulta
su integración y la interpretación adecuada de sus resultados por parte de los
profesionales médicos”, continuó.
Abordar
este problema es el objetivo que se marcaron los investigadores de la UPM y la
propuesta para ello fue desarrollar una metodología que utiliza las redes
neuronales convolucionales.
Esta
herramienta se trata de una técnica de machine learning que potencia las
tareas de análisis de imágenes y visión por computador, permitiendo obtener
información significativa de imágenes digitales, vídeos y otras entradas
visuales, así como tomar medidas basándose en esas entradas.
Innovación metodológica
Para ello,
los investigadores de la UPM realizaron un análisis sistemático de las imágenes
de MRI y PET para la evaluación del estado de demencia, utilizando diferentes
técnicas de fusión (la fusión temprana, tardía e intermedia).
A
continuación, diseñaron e implementaron una solución completamente basada en
redes neuronales convolucionales 3D que extraía características de todo el
volumen cerebral en tres dimensiones. Una vez hecho esto, aplicaron una
estrategia de entrenamiento capaz de manejar un conjunto de datos altamente
desequilibrado e incompleto.
“Hasta donde
sabemos, la metodología propuesta representa el primer trabajo que proporciona
un análisis de diferentes técnicas de fusión basada en aprendizaje profundo
multimodal para la evaluación de la severidad de la demencia”, explicó la
investigadora de la UPM.
“El tipo
de soluciones que se desarrollan en este trabajo puede ser una herramienta de
ayuda a la decisión de enorme interés práctico para los neurólogos”, añadió.
El
trabajo, publicado en la revista Artificial Intelligence in Medicine,
cuenta también con la participación las universidades italianas de Nápoles y
Roma y la Universidad de Umea en Suecia. En investigaciones futuras, los
científicos pretenden seguir explorando la fusión de diferentes modalidades,
analizando más a fondo las propiedades de la representación de características
compartidas.
“Se deben
investigar enfoques que pretendan mejorar la integración de datos heterogéneos,
generalizándolos a casos de estudio con más de dos modalidades de imágenes.
También se debe abordar la explicabilidad de los modelos implementados,
evaluando las decisiones tomadas por las redes en comparación con el
diagnóstico clínico", concluyeron.
Referencia
bibliográfica
*Gravina,
Michel, et. Al. Multi
input–Multi output 3D CNN for dementia severity assessment with incomplete
multimodal data, Artificial Intelligence in Medicine, Vol. 149, Marzo
2024. https://doi.org/10.1016/j.artmed.2024.102774
Fuente Intramed
No hay comentarios.:
Publicar un comentario