La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo que afecta a una proporción significativa de la población mayor en todo el mundo.
Provoca daños irreparables en el cerebro y perjudica gravemente la calidad de vida de los pacientes.
Desafortunadamente, la EA no se puede curar, pero la detección temprana puede permitir que la medicación controle los síntomas y ralentice la progresión de la enfermedad.
La resonancia magnética funcional (fMRI) es una técnica de diagnóstico no invasiva para los trastornos cerebrales.
Mide cambios mínimos en los niveles de oxígeno en sangre dentro del cerebro a lo largo del tiempo, dando una idea de la actividad local de las neuronas.
A pesar de sus ventajas, la fMRI no se ha utilizado ampliamente en el diagnóstico clínico. La razón es doble. Primero, los cambios en las señales de fMRI son tan pequeños que son demasiado susceptibles al ruido, lo que puede alterar los resultados.
En segundo lugar, los datos de fMRI son complejos de analizar. Aquí es donde entran en juego los algoritmos de aprendizaje profundo.
En un estudio reciente publicado en el Journal of Medical Imaging , científicos de la Texas Tech University emplearon algoritmos de aprendizaje automático para clasificar los datos de fMRI.
Desarrollaron un tipo de algoritmo de aprendizaje profundo conocido como red neuronal convolucional (CNN) que puede diferenciar entre las señales de resonancia magnética funcional de personas sanas, personas con deterioro cognitivo leve y personas con EA.
Las CNN pueden extraer de forma autónoma características de los datos de entrada que están ocultos para los observadores humanos. Obtienen estas características a través del entrenamiento, para lo cual se necesita una gran cantidad de datos preclasificados.
Las CNN se utilizan principalmente para la clasificación de imágenes 2D, lo que significa que los datos de resonancia magnética funcional en cuatro dimensiones (tres espaciales y uno temporal) presentan un desafío. Los datos de fMRI son incompatibles con la mayoría de los diseños de CNN existentes.
Los investigadores entrenaron y probaron su CNN con datos de resonancia magnética funcional de una base de datos pública, y los resultados iniciales fueron prometedores: la precisión de clasificación de su algoritmo fue tan alta o más alta que la de otros métodos.
Si estos resultados se mantienen para conjuntos de datos más grandes, sus implicaciones clínicas podrían ser tremendas. «El Alzheimer aún no tiene cura. Aunque el daño cerebral no se puede revertir, la progresión de la enfermedad se puede reducir y controlar con medicamentos», según los autores.
«Nuestro clasificador puede identificar con precisión las etapas de deterioro cognitivo leve que proporcionan una advertencia temprana antes de la progresión a la EA».
Fuente
Extracción de características espaciotemporales y clasificación de la enfermedad de Alzheimer utilizando aprendizaje profundo 3D-CNN para datos de fMRI . Revista de imágenes médicas , 2020; 7 (05) DOI: 10.1117 / 1.JMI.7.5.056001