La inteligencia artificial predice el Alzheimer años antes del diagnóstico

La tecnología de inteligencia artificial (IA) mejora la capacidad de las imágenes cerebrales para predecir la enfermedad de Alzheimer, según un estudio publicado en la revista 'Radiology'. El diagnóstico oportuno de la enfermedad de Alzheimer es extremadamente importante, ya que los tratamientos e intervenciones son más efectivos al principio de la enfermedad.

Sin embargo, el diagnóstico temprano ha demostrado ser un reto. La investigación ha relacionado el proceso de la enfermedad con los cambios en el metabolismo, como lo demuestra la captación de glucosa en ciertas regiones del cerebro, pero estos cambios pueden ser difíciles de reconocer.

"Las diferencias en el patrón de captación de la glucosa en el cerebro son muy sutiles y difusas", dice el coautor del estudio Jae Ho Sohn, del Departamento de Radiología e Imágenes Biomédicas de la Universidad de California en San Francisco (UCSF, por sus siglas en inglés), en Estados Unidos. "Las personas son buenas para encontrar biomarcadores específicos de enfermedades, pero los cambios metabólicos representan un proceso más global y sutil", añade.

El autor principal del estudio, Benjamin Franc, de la UCSF, se acercó al doctor Sohn y el estudiante de pregrado de la Universidad de California, Berkeley, Yiming Ding, a través del grupo de investigación de 'Big Data in Radiology' (BDRAD), un equipo multidisciplinario de médicos e ingenieros que centrados en la Ciencia de Datos en Radiología. El doctor Franc estaba interesado en aplicar el aprendizaje profundo, un tipo de IA en el que las máquinas aprenden con el ejemplo, al igual que los humanos, para encontrar cambios en el metabolismo cerebral predictivo de la patología de Alzheimer.

Los científicos entrenaron el algoritmo de aprendizaje profundo en una tecnología de imagen especial conocida como tomografía por emisión de positrones con 18-F-fluorodeoxiglucosa (FDG-PET). En una exploración de FDG-PET, FDG, se inyecta en la sangre un compuesto de glucosa radiactivo. Las tomografías PET pueden medir la captación de FDG en las células del cerebro, un indicador de la actividad metabólica.

UNA HERRAMIENTA PARA COMPLEMENTAR EL TRABAJO DE LOS RADIÓLOGOS

Los científicos tuvieron acceso a los datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI, por sus siglas en inglés), un importante estudio de varios sitios centrado en ensayos clínicos para mejorar la prevención y el tratamiento de esta enfermedad. El conjunto de datos de ADNI incluyó más de 2.100 imágenes cerebrales de FDG-PET de 1.002 pacientes.

Los investigadores entrenaron el algoritmo de aprendizaje profundo en el 90 por ciento del conjunto de datos y luego lo probaron en el 10 por ciento restante del conjunto de datos. A través del aprendizaje profundo, el algoritmo pudo enseñarse a sí mismo patrones metabólicos que correspondían a la enfermedad de Alzheimer.

Finalmente, los autores de este trabajo probaron el algoritmo en un conjunto independiente de 40 exámenes de imágenes de 40 pacientes que nunca había estudiado. El algoritmo logró una sensibilidad del 100 por ciento para detectar la enfermedad un promedio de más de seis años antes del diagnóstico final. "Estamos muy satisfechos con el rendimiento del algoritmo --afirma el doctor Sohn--. Fue capaz de predecir cada caso que avanzó a la enfermedad de Alzheimer".

Aunque advierte que su conjunto de pruebas independientes era pequeño y necesita una validación adicional con un estudio prospectivo multiinstitucional más amplio, el doctor Sohn dice que el algoritmo podría ser una herramienta útil para complementar el trabajo de los radiólogos, especialmente en conjunto con otros productos bioquímicos y pruebas de imagen, a la hora de proporcionar una oportunidad para la intervención terapéutica temprana.

"Si diagnosticamos la enfermedad de Alzheimer cuando todos los síntomas se han manifestado, la pérdida de volumen cerebral es tan importante que es demasiado tarde para intervenir --afirma--. Si podemos detectarlo antes, es una oportunidad para que los investigadores encuentren formas mejores de frenar o incluso detener el proceso de la enfermedad".

La investigación futura debe dirigirse a entrenar el algoritmo de aprendizaje profundo para buscar patrones asociados con la acumulación de proteínas beta-amiloides y tau, grupos de proteínas anormales y ovillos en el cerebro que son marcadores específicos de la enfermedad de Alzheimer, según Youngho Seo, de UCSF, quien fue uno de de los asesores del estudio. "Si la FDG-PET con IA puede predecir la enfermedad de Alzheimer tan pronto, la imagen de PET de la placa beta-amiloide y de la proteína tau puede añadir otra dimensión de poder predictivo importante", concluye.