El uso de inteligencia artificial ayudaría a detectar Alzheimer en exámenes de rutina
El uso de la Inteligencia Artificial (IA) para detectar enfermedades a partir de resonancias magnéticas cerebrales promete automatizar, estandarizar y convertirse en un proceso de diagnóstico a escala. Es que estos estudios clínicos se recopilan de forma rutinaria y se acumulan en grandes bases de datos que se pueden utilizar para entrenar algoritmos de IA.
Es ese sentido, el aprendizaje profundo (o deep learning), por su parte, ha demostrado tener éxito en la detección de múltiples enfermedades en datos de resonancia magnética cerebral de alta calidad, los cuales fueron recopilados en un entorno de investigación controlado. De la mano de estos avances, los investigadores han logrado progresar en la detección de signos de la enfermedad de Alzheimer mediante pruebas de imágenes cerebrales de alta calidad recopiladas, las cuales forman parte de estudios de investigación.
Con todos estos aspectos "sobre la mesa", un equipo de especialistas del Hospital General de Massachusetts (MGH) desarrolló recientemente un método preciso para la detección de Alzheimer que se basa en muestras clínicas cerebrales recolectadas en forma de imágenes en exámenes de rutina. Este desarrollo podría conducir a diagnósticos más precisos.
Para el estudio, que fue publicado en PLOS ONE, el Dr. Matthew Leming, investigador del Centro de Biología de Sistemas de MGH e investigador del Centro de Investigación de la Enfermedad de Alzheimer de Massachusetts (EE.UU.), junto a sus colegas Sudeshna Das y Hyungsoon Im, utilizaron una herramienta que se denomina aprendizaje profundo, un tipo de aprendizaje automático en el que la inteligencia artificial utiliza grandes cantidades de datos y algoritmos complejos para entrenar modelos y obtener conclusiones.
En este caso, los científicos desarrollaron un modelo para la detección de la enfermedad de Alzheimer basado en datos de imágenes de resonancia magnética (IRM) cerebrales recopiladas de pacientes con y sin enfermedad de Alzheimer que fueron atendidos en MGH antes de 2019. Luego, el grupo probó el modelo en 5 conjuntos de datos: en MGH posterior a 2019, en el Brigham and Women's Hospital antes y después de 2019, y sobre sistemas de salud externos antes y después de 2019.
El objetivo implicó analizar si su desarrollo era capaz de detectar con precisión la enfermedad de Alzheimer en función de datos reales, datos clínicos mundiales, independientemente del hospital y del tiempo en el que esos datos fueron relevados.
En general, la investigación involucró 11.103 imágenes de 2.348 pacientes con riesgo de enfermedad de Alzheimer y 26.892 imágenes de 8.456 pacientes sin la enfermedad. En los 5 conjuntos de datos, el modelo detectó el riesgo de enfermedad de Alzheimer con un 90,2% de precisión.
Entre las principales novedades del trabajo se puede citar su capacidad para detectar la enfermedad de Alzheimer independientemente de otras variables, como la edad. «La enfermedad de Alzheimer generalmente ocurre en adultos mayores, por lo que los modelos de aprendizaje profundo a menudo tienen dificultades para detectar los casos más raros de inicio temprano. Abordamos este punto haciendo que el modelo de aprendizaje profundo sea ciego a las características del cerebro que se encuentran demasiado asociadas con la edad indicada del paciente», afirmó el Dr. Leming.
El experto señaló que otro desafío común en la detección de enfermedades, especialmente en entornos del mundo real, es tratar con datos que son muy diferentes entre del conjunto de información que se utiliza para nutrir al sistema de IA. Por ejemplo, un modelo de aprendizaje profundo entrenado en resonancias magnéticas de un escáner fabricado por una empresa puede no reconocer las resonancias magnéticas recopiladas en un escáner fabricado por otra.
El modelo usó una métrica de incertidumbre para determinar si los datos del paciente eran demasiado diferentes de aquellos con los que el mismo modelo había sido entrenado para poder hacer una predicción exitosa.
«Este es uno de los únicos estudios que utilizó resonancias magnéticas cerebrales recolectadas de forma rutinaria para intentar detectar la demencia. Si bien se han realizado una gran cantidad de estudios de aprendizaje profundo para la detección de la enfermedad de Alzheimer a partir de resonancias magnéticas cerebrales, este estudio dio pasos sustanciales para realizar esto en entornos clínicos del mundo real en lugar de ámbitos de laboratorio perfectos. Nuestros resultados, con capacidad de generalización entre lugares, tiempos y poblaciones, constituyen un caso sólido para el uso clínico de esta tecnología de diagnóstico», concluyó el Dr. Leming.
Es ese sentido, el aprendizaje profundo (o deep learning), por su parte, ha demostrado tener éxito en la detección de múltiples enfermedades en datos de resonancia magnética cerebral de alta calidad, los cuales fueron recopilados en un entorno de investigación controlado. De la mano de estos avances, los investigadores han logrado progresar en la detección de signos de la enfermedad de Alzheimer mediante pruebas de imágenes cerebrales de alta calidad recopiladas, las cuales forman parte de estudios de investigación.
Con todos estos aspectos "sobre la mesa", un equipo de especialistas del Hospital General de Massachusetts (MGH) desarrolló recientemente un método preciso para la detección de Alzheimer que se basa en muestras clínicas cerebrales recolectadas en forma de imágenes en exámenes de rutina. Este desarrollo podría conducir a diagnósticos más precisos.
Para el estudio, que fue publicado en PLOS ONE, el Dr. Matthew Leming, investigador del Centro de Biología de Sistemas de MGH e investigador del Centro de Investigación de la Enfermedad de Alzheimer de Massachusetts (EE.UU.), junto a sus colegas Sudeshna Das y Hyungsoon Im, utilizaron una herramienta que se denomina aprendizaje profundo, un tipo de aprendizaje automático en el que la inteligencia artificial utiliza grandes cantidades de datos y algoritmos complejos para entrenar modelos y obtener conclusiones.
En este caso, los científicos desarrollaron un modelo para la detección de la enfermedad de Alzheimer basado en datos de imágenes de resonancia magnética (IRM) cerebrales recopiladas de pacientes con y sin enfermedad de Alzheimer que fueron atendidos en MGH antes de 2019. Luego, el grupo probó el modelo en 5 conjuntos de datos: en MGH posterior a 2019, en el Brigham and Women's Hospital antes y después de 2019, y sobre sistemas de salud externos antes y después de 2019.
El objetivo implicó analizar si su desarrollo era capaz de detectar con precisión la enfermedad de Alzheimer en función de datos reales, datos clínicos mundiales, independientemente del hospital y del tiempo en el que esos datos fueron relevados.
En general, la investigación involucró 11.103 imágenes de 2.348 pacientes con riesgo de enfermedad de Alzheimer y 26.892 imágenes de 8.456 pacientes sin la enfermedad. En los 5 conjuntos de datos, el modelo detectó el riesgo de enfermedad de Alzheimer con un 90,2% de precisión.
Entre las principales novedades del trabajo se puede citar su capacidad para detectar la enfermedad de Alzheimer independientemente de otras variables, como la edad. «La enfermedad de Alzheimer generalmente ocurre en adultos mayores, por lo que los modelos de aprendizaje profundo a menudo tienen dificultades para detectar los casos más raros de inicio temprano. Abordamos este punto haciendo que el modelo de aprendizaje profundo sea ciego a las características del cerebro que se encuentran demasiado asociadas con la edad indicada del paciente», afirmó el Dr. Leming.
El experto señaló que otro desafío común en la detección de enfermedades, especialmente en entornos del mundo real, es tratar con datos que son muy diferentes entre del conjunto de información que se utiliza para nutrir al sistema de IA. Por ejemplo, un modelo de aprendizaje profundo entrenado en resonancias magnéticas de un escáner fabricado por una empresa puede no reconocer las resonancias magnéticas recopiladas en un escáner fabricado por otra.
El modelo usó una métrica de incertidumbre para determinar si los datos del paciente eran demasiado diferentes de aquellos con los que el mismo modelo había sido entrenado para poder hacer una predicción exitosa.
«Este es uno de los únicos estudios que utilizó resonancias magnéticas cerebrales recolectadas de forma rutinaria para intentar detectar la demencia. Si bien se han realizado una gran cantidad de estudios de aprendizaje profundo para la detección de la enfermedad de Alzheimer a partir de resonancias magnéticas cerebrales, este estudio dio pasos sustanciales para realizar esto en entornos clínicos del mundo real en lugar de ámbitos de laboratorio perfectos. Nuestros resultados, con capacidad de generalización entre lugares, tiempos y poblaciones, constituyen un caso sólido para el uso clínico de esta tecnología de diagnóstico», concluyó el Dr. Leming.
