Se ha desarrollado un nuevo y poderoso algoritmo de aprendizaje profundo que puede estudiar imágenes de tomografías por emisión de positrones (Scan PET) y detectar eficazmente el inicio de la enfermedad del Alzheimer hasta seis años antes que los métodos diagnósticos actuales. La investigación es parte de un nuevo método de trabajo usando tecnología de aprendizaje automático para identificar patrones sutiles en datos de imágenes médicas complejas que los médicos no son capaces de captar.
Una de las herramientas diagnósticas más claras que se tienen actualmente para identificar el inicio de la enfermedad de Alzheimer es un tipo de escáner de imagen cerebral llamado scan PET de fluorodeoxiglucosa 18-F (FDG-PET). Este escáner se utiliza tradicionalmente para identificar varios tipos de cáncer, pero en los últimos años ha demostrado ser útil para identificar el Alzheimer, así como otros tipos de demencia.
Esta nueva investigación entrenó un algoritmo de aprendizaje automático con más de 2100 imágenes cerebrales FDG-PET. Aunque los médicos son expertos en evaluar estos exámenes, el coautor del nuevo estudio, Jae Ho Sohn, dice que la nueva tecnología de aprendizaje profundo tiene la capacidad de identificar patrones más sutiles en los datos de imagenología densa.
“Las diferencias en el patrón de captación de glucosa en el cerebro son muy sutiles y difusas”, dice Jae Ho Sohn. “La gente es buena en encontrar biomarcadores específicos de enfermedades, pero los cambios metabólicos representan un proceso más global y sutil.”
Cuando el algoritmo fue finalmente probado en un pequeño conjunto independiente de escáneres cerebrales, fue capaz de predecir cada caso que avanzó a la enfermedad de Alzheimer en promedio alrededor de seis años antes de que se diagnosticara la enfermedad. En esta métrica, el algoritmo superó significativamente a los radiólogos humanos.
Mientras que otros investigadores han aplaudido estos resultados prometedores, muchos instan a la precaución, sugiriendo que se necesita hacer mucho más trabajo para validar los resultados antes de pasar a las aplicaciones clínicas.
“Se trata de un pequeño conjunto de datos, que se limita a 40 personas”, dice John Hardy, del University College London. “También es un conjunto de datos muy selecto y no representativo de toda la población. Así que aún no podemos saber si esto es relevante para la mayoría de la gente”.
También es importante tener en cuenta que este tipo de exploraciones PET no están disponibles para la mayoría de los pacientes. Este tipo de innovación de aprendizaje automático es sin duda impresionante en un contexto académico, pero no ofrece una herramienta útil para los médicos que desean diagnosticar mejor a los pacientes en masa.
“Actualmente en el Reino Unido, el uso de la PET se limita principalmente a estudios de investigación y ensayos clínicos, para garantizar que los nuevos medicamentos potenciales se prueben en las personas adecuadas”, explica Carol Routledge, de Alzheimer’s Research UK. “Las tomografías son una herramienta poderosa, pero son costosas y requieren instalaciones y experiencia especializadas”.
Sin embargo, este estudio ofrece otro indicativo de que los algoritmos de aprendizaje profundo pueden ayudar enormemente a los médicos a vadear la creciente masa de Big Data que se están acumulando rápidamente. Junto con un estudio reciente de la Universidad McGill que revela un algoritmo que puede evaluar una variedad de datos diagnósticos para predecir las primeras etapas del declive cognitivo, esta nueva investigación se suma a un cuerpo de trabajo que está reclutando computadoras para ayudarnos a predecir las enfermedades neurodegenerativas antes de que los síntomas principales se afiancen.
Fuente: New Atlas
Seguir leyendo: