Aunque los investigadores han logrado avances en la detección de signos de la enfermedad de Alzheimer utilizando pruebas de imágenes cerebrales de alta calidad recopiladas como parte de estudios de investigación, un equipo del Hospital General de Massachusetts (MGH) desarrolló recientemente un método preciso para la detección que se basa en imágenes cerebrales clínicas recopiladas de forma rutinaria. El avance podría conducir a diagnósticos más precisos.
Para el estudio, que se publica en MÁS UNOMatthew Leming, PhD, investigador del Centro de Biología de Sistemas de MGH e investigador del Centro de Investigación de la Enfermedad de Alzheimer de Massachusetts, y sus colegas utilizaron el aprendizaje profundo, un tipo de aprendizaje automático e inteligencia artificial que utiliza grandes cantidades de datos y complejos Algoritmos para entrenar modelos.
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 cinco conjuntos de datos: MGH posterior a 2019, Brigham and Women’s Hospital antes y después de 2019, y sistemas externos antes y después de 2019, para ver si podía detectar con precisión la enfermedad de Alzheimer en función de datos clínicos del mundo real, independientemente del hospital y la hora.
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 enfermedad de Alzheimer. En los cinco 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 encontraba 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», dice Leming. «Abordamos esto haciendo que el modelo de aprendizaje profundo sea ‘ciego’ a las características del cerebro que encuentra demasiado asociadas con la edad indicada del paciente».
Leming señala que otro desafío común en la detección de enfermedades, especialmente en entornos del mundo real, es tratar con datos que son muy diferentes del conjunto de entrenamiento. Por ejemplo, un modelo de aprendizaje profundo entrenado en resonancias magnéticas de un escáner fabricado por General Electric puede no reconocer las resonancias magnéticas recopiladas en un escáner fabricado por Siemens.
El modelo usó una métrica de incertidumbre para determinar si los datos del paciente eran demasiado diferentes de lo que 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 ha realizado una gran cantidad de estudios de aprendizaje profundo para la detección del Alzheimer a partir de resonancias magnéticas cerebrales, este estudio dio pasos sustanciales para realizar esto en realidad. entornos clínicos mundiales en contraposición a entornos de laboratorio perfectos», dijo Leming. «Nuestros resultados, con capacidad de generalización entre sitios, entre tiempos y entre poblaciones, constituyen un caso sólido para el uso clínico de esta tecnología de diagnóstico».
Los coautores adicionales incluyen a Sudeshna Das, PhD y Hyungsoon Im, PhD.
Este trabajo fue apoyado por los Institutos Nacionales de Salud y por el Programa de Innovación Tecnológica financiado por el Ministerio de Comercio, Industria y Energía, República de Corea, administrado a través de un subcontrato a MGH.
