La tecnología de Inteligencia Artificial (IA) podría detectar el Alzheimer años antes que el método tradicional de diagnóstico (la interpretación por parte de un médico de imágenes cerebrales) según publicaba en un estudio la revista Radiology. El diagnóstico a tiempo de esta enfermedad es extremadamente importante, ya que los tratamientos son mucho más efectivos en las primeras fases de la enfermedad. La investigación ha relacionado el proceso de la enfermedad con determinados cambios metabólicos, como demuestra la captación de glucosa por ciertas partes del cerebro, pero estos cambios son muy difíciles de reconocer. "Las diferencias en el patrón de captación de la glucosa en el cerebro son muy sutiles y difusas" afirma Jae Ho Sohn, coautor del estudio: "Las personas somos buenas para encontrar biomarcadores específicos, pero los cambios metabólicos representan un proceso más global y sutil". El autor principal del estudio, Benjamin Franc, se acercó al doctor Sohn y al estudiante de Berkeley Yiming Ding a través del grupo de investigación "Big Data in Radiology", un equipo multidisciplinario centrado en la Ciencia de Datos en Radiología. La idea de Franc era aplicar un tipo de IA, el llamado "aprendizaje profundo" en el que las máquinas aprenden con el ejemplo (como 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 complementaria al trabajo de los radiólogos Los científicos tuvieron acceso a datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI, por sus siglas en inglés), un importante estudio centrado en ensayos clínicos para mejorar la prevención y tratamiento de esta enfermedad. El conjunto de datos de ADNI incluyó más de 2.100 imágenes cerebrales de FDG-PET de 1002 pacientes. Los investigadores entrenaron el algoritmo de aprendizaje profundo en el 90 por ciento de los casos y lo probaron en el 10%. De esta manera, el algoritmo pudo enseñarse a si mismo patrones metabólicos que correspondían con la enfermedad de Alzheimer. Finalmente, los científicos probaron el sistema en 40 casos que nunca habían estudiado. El algoritmo alcanzó una sensibilidad del 100%, seis años antes (en promedio) de lo que lo hubiera podido hacer un observador humano. Aunque el doctor Sohn advierte de que su conjunto de pruebas es pequeño, y por ello el sistema necesita validación adicional con un estudio prospectivo multiinstitucional más amplio, este podría ser una herramienta útil para completar el trabajo de un radiólogo, especialmente en conjunto conotros procedimientos bioquímicos y pruebas de imagen, a la hora de proporcionar una oportunidad para intervenciones terapéuticas tempranas. "Si diagnosticamos la enfermedad cuando todos los síntomas ya se manifiestan, la pérdida de volumen cerebral es tan grande que ya es tarde para intervenir", afirma: "si pudiéramos detectarlo antes, habrá una oportunidad para encontrar mejores formas de frenar o incluso detener el avance de la enfermedad". La investigación futura se orientará a entrenar el algoritmo de aprendizaje profundo para detectar patrones asociados con una acumulación de proteínas beta-amiloides y tau, grupos de proteínas anormales y ovillos en el cerebro que son indicadores de la enfermedad de Alzheimer, según Youngho Seo, que fue asesor del estudio. "Si la FDG-PET con IA puede predecir la enfermedad de Alzheimer tan pronto, la imagen PET de la placa beta-amiloide y de la proteína tau puede añadir otra dimensión de importante poder predictivo".

Ver más en: https://www.20minutos.es/noticia/3484772/0/inteligencia-artificial-podria-predecir-alzheimer-anos-antes-diagnostico/#xtor=AD-15&xts=467263

20 minutos
9/11/2018