La detección precoz de la demencia es un tema crítico en la salud pública global, con un impacto significativo en la calidad de vida de las personas afectadas y sus familias. Sin embargo, la identificación temprana de esta enfermedad neurodegenerativa no siempre es fácil, lo que plantea desafíos para los profesionales médicos y los investigadores. En un reciente avance, investigadores de la Universidad Politécnica de Madrid (UPM) están utilizando técnicas de machine learning para mejorar la detección temprana de la demencia.
En el mundo de la medicina, la resonancia magnética (RM) y la tomografía por emisión de positrones (PET) son dos modalidades de imágenes médicas que proporcionan información valiosa para el diagnóstico de enfermedades neurológicas. Aunque estas pruebas ofrecen información complementaria sobre los aspectos anatómicos y metabólicos de la enfermedad, no se realizan sincrónicamente, lo que dificulta su integración y la interpretación de los resultados, según explica Consuelo Gonzalo, investigadora en el Centro de Tecnología Biomédica de la UPM.
Para abordar este problema, los investigadores de la UPM se propusieron desarrollar una metodología innovadora que utiliza redes neuronales convolucionales. Esta técnica de machine learning mejora la capacidad de analizar imágenes y realizar tareas de visión por computadora, permitiendo obtener información relevante de imágenes digitales, vídeos y otras entradas visuales, así como tomar medidas basadas en estas entradas.
Los investigadores de la UPM realizaron un análisis sistemático de las imágenes de MRI y PET para la evaluación del estado de demencia, utilizando diferentes técnicas de fusión (temprana, tardía e intermedia). A continuación, diseñaron e implementaron una solución basada en redes neuronales convolucionales 3D que extraía características de todo el volumen cerebral en tres dimensiones. El equipo de investigación también desarrolló una estrategia de entrenamiento para manejar datos altamente desequilibrados e incompletos.
Este trabajo se considera pionero en su campo. «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. Estas soluciones podrían ser herramientas valiosas para los neurólogos en su toma de decisiones.
El estudio fue publicado en la revista Artificial Intelligence in Medicine y contó con la colaboración de las universidades italianas de Nápoles y Roma, y la Universidad de Umea en Suecia.
En futuros trabajos, los investigadores planean 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 los investigadores.
El artículo de referencia del estudio es: Michela Gravina, Angel García-Pedrero, Consuelo Gonzalo-Martín, Carlo Sansone, Paolo Soda, 2024. Multi input–Multi output 3D CNN for dementia severity assessment with incomplete multimodal data. Artificial Intelligence in Medicine, 149,102774 (ISSN 0933-3657, https://doi.org/10.1016/j.artmed.2024.102774).
La Universidad Politécnica de Madrid es una institución líder en investigación y desarrollo tecnológico, con un amplio enfoque en la aplicación de tecnologías innovadoras para resolver problemas complejos en diversos campos, incluyendo la salud y la medicina.
Este estudio representa un avance significativo en la lucha contra la demencia, una de las principales causas de discapacidad y dependencia entre las personas mayores en todo el mundo. Al mejorar la detección temprana y la evaluación de la severidad de la demencia, los médicos pueden proporcionar un tratamiento más efectivo y mejorar la calidad de vida de las personas afectadas y sus familias.
