La enfermedad de Alzheimer es la causa más común de demencia y afecta a millones de ancianos en todo el mundo. De hecho, solo en España, se estima que existen más de 900.000 personas afectadas por esta enfermedad que se ha convertido en una prioridad de salud pública. La detección precoz es clave para mejorar la calidad de vida de los afectados y sus familias, pero identificarla en sus estadios iniciales no siempre es fácil. Para intentar mejorar en este campo y lograr mejores resultados, un equipo internacional, que incluye investigadores de la Universidad Politécnica de Madrid (UPM) en España, ha aplicado técnicas de aprendizaje automático (una modalidad de inteligencia artificial) al análisis de diferentes modalidades de imágenes médicas utilizadas para el diagnóstico de enfermedades neurológicas.
“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 esta investigación.
Abordar este problema es el objetivo que se marcaron los investigadores de la UPM y la propuesta para ello fue desarrollar una metodología que utiliza las redes neuronales convolucionales, una técnica de aprendizaje automático 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 ello, los investigadores de la UPM realizaron un análisis sistemático de las imágenes de resonancia magnética y tomografía por emisión de positrones para la evaluación del estado de demencia, utilizando diferentes técnicas de fusión (la fusión temprana, tardía e intermedia). A continuación, diseñaron e implementaron una solución completamente basada en redes neuronales convolucionales (CNN) 3D que extraía características de todo el volumen cerebral en tres dimensiones. Una vez hecho eso, propusieron una estrategia de entrenamiento capaz de manejar un conjunto de datos altamente desequilibrado e incompleto.
