La enfermedad de Alzheimer es la causa más común de demencia y afecta a millones de ancianos en todo el mundo. Solo en España, se estima que existen más de 900.000 personas con esta patología en la que cientos de investigadores alrededor del mundo han puesto el foco con el objetivo de mejorar la calidad de vida de los pacientes.
La detección precoz es la clave para mejorar la calidad de vida de los afectados y sus familias. Sin embargo, identificar el alzhéimer en sus estadios tempranos puede ser complicado debido a varios factores. “Desde un punto de vista clínico, la resonancia magnética (RM) y la tomografía por emisión de positrones (PET) son las dos modalidades de imágenes médicas utilizadas en el diagnóstico de este tipo de enfermedades ya que aportan información complementaria de los aspectos anatómicos y metabólicos de la enfermedad. Pero lamentablemente estas pruebas no se realizan sincrónicamente lo que dificulta su integración y la interpretación adecuada de sus resultados por parte de los profesionales médicos”, explica Consuelo Gonzalo, investigadora del Centro de Tecnología Biomédica de la UPM y una de las autoras de este trabajo.
"Estas pruebas no se realizan sincrónicamente lo que dificulta su integración y la interpretación"
Esta situación conlleva dificultades para integrar e interpretar correctamente los resultados obtenidos de ambas técnicas por parte de los profesionales médicos. La falta de sincronización impide una visión completa y coordinada de los aspectos anatómicos y metabólicos de la enfermedad en cuestión, lo cual es crucial para un diagnóstico más preciso y una planificación de tratamiento más efectiva.
Para abordar este problema, investigadores de la UPM propusieron desarrollar una metodología que utiliza las redes neuronales convolucionales. Esta es una técnica de machine learning que potencia las tareas de análisis de imágenes y visión por computador, permitiendo obtener información significativa de imágenes digitales, vídeos y otras entradas visuales, así como tomar medidas basándose en esas entradas.
Para integrar eficazmente la información proporcionada por MRI y PET, se utilizaron técnicas de fusión de imágenes, como la fusión temprana, tardía e intermedia. Estas técnicas permiten combinar datos de diferentes modalidades de imagen para obtener una representación más completa y precisa del estado del cerebro del paciente.
Para mejorar la extracción de características de las imágenes en tres dimensiones, se implementó una solución basada en redes neuronales convolucionales (CNN) 3D. Estas son capaces de procesar volúmenes completos de datos tridimensionales, lo cual es crucial para capturar detalles estructurales y funcionales del cerebro en el contexto de la demencia.
Además, se desarrolló una estrategia de entrenamiento específica para manejar conjuntos de datos médicos altamente desequilibrados e incompletos. Esto permitió que el modelo de CNN 3D aprendiera de manera efectiva a partir de una variedad de datos clínicos, asegurando una interpretación más precisa y robusta de las imágenes de MRI y PET en el diagnóstico de demencia.
“El tipo de soluciones que se desarrollan en este trabajo puede ser una herramienta de ayuda a la decisión de enorme interés práctico para los neurólogos”
“Hasta donde sabemos, la metodología propuesta representa el primer trabajo que proporciona un análisis de diferentes técnicas de fusión basada en aprendizaje profundo multimodal para la evaluación de la severidad de la demencia”, explica la investigadora de la UPM. “El tipo de soluciones que se desarrollan en este trabajo puede ser una herramienta de ayuda a la decisión de enorme interés práctico para los neurólogos”, añade.
El trabajo que se ha publicado en la revista “Artificial Intelligence in Medicine” cuenta también con la participación las universidades italianas de Nápoles y Roma, y la Universidad de Umea en Suecia.
En trabajos futuros, los investigadores pretenden seguir explorando la fusión de diferentes modalidades, analizando más a fondo las propiedades de la representación de características compartidas. “Se deben investigar enfoques que pretendan mejorar la integración de datos heterogéneos, generalizándolos a casos de estudio con más de dos modalidades de imágenes. También se debe abordar la explicabilidad de los modelos implementados, evaluando las decisiones tomadas por las redes en comparación con el diagnóstico clínico", concluyen.