Investigadores de la UGR y UMA han diseñado una técnica que pretende modelar abstracciones de datos de alto nivel para que los ordenadores aprendan a diferenciar el cerebro de una persona sana de la de una persona enferma mediante la extracción de las regiones afectadas.

La enfermedad de Alzheimer, que afecta actualmente a más de 40 millones de personas, es la enfermedad neurodegenerativa más común en las personas mayores. El diagnóstico precoz es crucial tanto para tratar la enfermedad como para ayudar al desarrollo de nuevos medicamentos, ya que hasta ahora no ha sido posible encontrar una cura. Se ha demostrado que el desarrollo del Alzheimer está estrechamente ligado a los cambios estructurales (relacionados con la materia gris responsables del procesamiento de información) y funcionales (relacionados con la sustancia blanca, que conecta las diferentes regiones del cerebro a través de las fibras) en la conectividad cerebral, ya que una pérdida significativa de fibras también provoca alteraciones funcionales, como la pérdida de memoria. Sin embargo, el diagnóstico sigue siendo un desafío a pesar de los avances científicos realizados, y hasta la fecha no ha sido posible determinar cómo la actividad cerebral funcional deteriora la estructural y viceversa, que es un elemento clave para comprender mejor el desarrollo de este tipo de enfermedades.

En este sentido, el diagnóstico asistido por ordenador (CAD) es una herramienta importante ya que ayuda a los médicos a comprender el contenido multimedia obtenido en las pruebas realizadas a los pacientes, lo que permite una aplicación más sencilla y eficaz del tratamiento. Uno de estos procedimientos es la obtención de imágenes médicas, que proporciona información en vivo de alta resolución sobre el tema y permite el uso de información relacionada con la enfermedad contenida en la imagen. El equipo de investigación BioSip, perteneciente a la Universidad de Málaga, en colaboración con un grupo de investigadores de la Universidad de Granada, lleva años estudiando imágenes y señales biomédicas.

Los investigadores Andrés Ortiz, Jorge Munilla, Juan Górriz y Javier Ramírez (de las universidades de Málaga y Granada) han publicado recientemente en la prestigiosa International Journal of Neural Systems un artículo similar llamado Ensembles of deep learning architectures for the early diagnosis of the Alzheimer’s disease. Dicho estudio presenta un método para el diagnóstico de Alzheimer por la fusión de imágenes funcionales y estructurales basadas en el uso de la técnica de aprendizaje profundo.

Esta técnica de Inteligencia Artificial (AI) pretende modelar abstracciones de datos de alto nivel para permitir que los ordenadores diferencien el cerebro de una persona sana del de una persona enferma, extrayendo automáticamente las regiones afectadas de interés. Como explican los investigadores, «el estudio utiliza técnicas de aprendizaje profundo para calcular los predictores de la función cerebral y la resonancia magnética para prevenir la enfermedad de Alzheimer. Para ello, hemos utilizado diferentes redes neuronales con las que modelar cada región del cerebro para combinarlas posteriormente» .

El estudio explora la construcción de métodos de clasificación basados en las arquitecturas de aprendizaje profundo aplicadas a las regiones del cerebro definidas por el Etiquetado Anatómico Automatizado (AAL), un atlas digital del cerebro humano. Con este fin, las imágenes de la materia gris de cada área del cerebro se han dividido según las regiones separadas en diferentes sectores por la AAL, que han sido utilizadas para formar redes neuronales de aprendizaje profundo especializadas en las diferentes regiones del cerebro. El conocimiento adquirido por dichas redes se combina posteriormente con diferentes técnicas de fusión presentadas en este documento.

Arquitectura de clasificación

El resultado de este trabajo es una poderosa arquitectura de clasificación que combina el aprendizaje supervisado y no supervisado para extraer automáticamente las características más relevantes de un conjunto de imágenes. El método propuesto ha sido evaluado utilizando una gran base de datos de la Alzheimer’s Disease Neuroimaging Initiative (ADNI).

Los resultados de este trabajo, que ha incluido pacientes con otros déficits cognitivos que pueden desarrollar Alzheimer dentro de dos años, muestran el potencial de las técnicas de IA para revelar patrones asociados con la enfermedad. Las tasas de precisión obtenidas para el diagnóstico permiten dar un gran paso en el conocimiento del proceso neurodegenerativo implicado en el desarrollo de la enfermedad, además de ser útil como punto de partida para el desarrollo de tratamientos médicos más efectivos.

Por otra parte, las técnicas desarrolladas pueden servir como punto de partida para la mejora de la precisión en el diagnóstico de otras demencias tales como la enfermedad de Parkinson.

Además, los métodos desarrollados se están utilizando para mejorar el diagnóstico y para investigar el origen biológico de las discapacidades de aprendizaje, como la dislexia, en un proyecto financiado por el Ministerio de Economía y Competitividad.

Referencias:

  1. Andrés OrtizJorge MunillaJuan M. GórrizJavier RamírezInt. J. Neur. Syst. 26, 1650025 (2016) [23 pages] DOI: http://dx.doi.org/10.1142/S0129065716500258

Imagen: thisisnthappiness

No Hay Más Artículos