Los investigadores Andrés Ortiz, Jorge Munilla, Juan Górriz y Javier Ramírez han ideado un método topográfico para detectar el alzhéimer a partir de la fusión de imágenes funcionales y estructurales y una técnica llamada ‘de aprendizaje profundo’.
Este método se conoce como ‘Deep Learning’, y ha sido descrito por estos autores en el artículo "Ensembles of Deep Learning Architectures for the Early Diagnosis of the Alzheimer's Disease", del que se ha hecho eco la revista International Journal of Neural Systems.
El desarrollo del alzhéimer ha demostrado estar muy relacionado con cambios tanto estructurales (relacionados con la sustancia gris, encargada del procesamiento de la información) como funcionales (de la sustancia blanca, que conecta las regiones del cerebro mediante fibras) en la red de conectividad cerebral. De hecho, una pérdida significativa de fibras origina alternaciones funcionales, como la pérdida de memoria.
Sin embargo, la diagnosis continúa siendo un reto a pesar de los avances científicos conseguidos y, hasta el momento, no se ha logrado descubrir cómo la actividad cerebral funcional deteriora la estructural y viceversa, lo cual es un elemento clave para comprender mejor el desarrollo de este tipo de enfermedades.
En este sentido, los diagnósticos asistidos por ordenador (DAO) suponen una importante herramienta para el diagnóstico al ayudar a los médicos a interpretar los contenidos multimedia obtenidos en pruebas a los pacientes, lo que permite que la aplicación del tratamiento sea más simple y efectiva.
Uno de estos procedimientos son las imágenes médicas, que proporcionan información ‘en vivo’ de gran resolución sobre las materias de estudio. El grupo de trabajo BioSip de la Universidad de Málaga, en colaboración con un grupo de investigadores de la Universidad de Granada, lleva años estudiando las señales e imágenes biomédicas.
El ordenador distingue entre cerebros sanos y enfermos
Esta técnica de aprendizaje profundo de la Inteligencia Artificial (IA) tiene como objetivo modelar abstracciones de alto nivel en datos para lograr que las computadoras aprendan a diferenciar el cerebro de una persona sana del de una persona enferma extrayendo automáticamente las regiones de interés que se encuentren afectadas.
Según ha explicado Ortiz, “el estudio utiliza técnicas de aprendizaje profundo para calcular predictores sobre imágenes de funcionalidad cerebral y de resonancia magnética para prevenir la enfermedad de Alzheimer. Para ello, hemos utilizado redes neuronales diferentes con las que modelar cada región del cerebro para, posteriormente, combinarlas”.
El estudio explora la construcción de métodos de clasificación basados en las arquitecturas de ‘Deep Learning’ aplicadas a regiones cerebrales definidas por el Automated Anatomical Labeling (AAL), un altas digital del cerebro humano.
Para ello, se han dividido las imágenes de la materia gris de cada área del cerebro de acuerdo con las regiones divididas por el AAL en diferentes sectores que se han utilizado para entrenar redes neuronales de Deep Learning especializadas en las distintas regiones del cerebro.
El conocimiento adquirido por dichas redes se combina posteriormente mediante diferentes técnicas de fusión que se presentan en este trabajo.
El resultado es una potente arquitectura de clasificación que combina el aprendizaje supervisado y no supervisado para extraer de forma automática las características más relevantes de un conjunto de imágenes. El método propuesto ha sido evaluado utilizando una enorme base de datos provenientes del Alzheimer's Disease Neuroimaging Initative (ADNI).
Fuente: redaccionmedica.com
