Investigadores del MIT están desarrollando un sistema informático que utiliza datos genéticos, demográficos y clínicos para ayudar a predecir los efectos de la enfermedad en la anatomía cerebral.
En los experimentos, entrenaron un sistema de aprendizaje automático con datos de resonancia magnética de pacientes con enfermedades neurodegenerativas y comprobaron que complementar ese entrenamiento con otra información sobre los pacientes mejoraba las predicciones del sistema. En los casos de pacientes con cambios drásticos en la anatomía cerebral, los datos adicionales redujeron a la mitad la tasa de error de las predicciones, que pasó del 20 por ciento al 10 por ciento.
“Este es el primer artículo que hemos escrito sobre este tema”, afirma Polina Golland, profesora de ingeniería eléctrica e informática en el MIT y autora principal del nuevo artículo. “Nuestro objetivo no es demostrar que nuestro modelo sea el mejor para este tipo de tareas, sino demostrar que la información está realmente en los datos. Así que lo que hemos hecho es tomar nuestro modelo, desactivar la información genética, demográfica y clínica, y comprobar que, con la información combinada, podemos predecir mejor los cambios anatómicos.”
La primera autora del artículo es Adrian Dalca, estudiante de posgrado del MIT en ingeniería eléctrica e informática y miembro del grupo de Golland en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT. Se les unen Ramesh Sridharan, otro estudiante de doctorado del grupo de Golland, y Mert Sabuncu, profesor adjunto de radiología del Hospital General de Massachusetts, que fue becario posdoctoral en el grupo de Golland.
Los investigadores presentan el artículo esta semana en la Conferencia Internacional sobre Computación de Imágenes Médicas e Intervención Asistida por Computadora. El trabajo es un proyecto del Centro de Análisis de Neuroimagen, con sede en el Hospital Brigham and Women’s de Boston y financiado por los Institutos Nacionales de Salud de Estados Unidos.
Denominador común
En sus experimentos, los investigadores utilizaron datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer, un estudio longitudinal sobre enfermedades neurodegenerativas que incluye exploraciones de resonancia magnética de los mismos sujetos realizadas con meses y años de diferencia.
Cada exploración se representa como un modelo tridimensional formado por millones de pequeños cubos, o “vóxeles”, el equivalente en 3D de los píxeles de una imagen.
El primer paso de los investigadores es generar una plantilla cerebral genérica promediando los valores de vóxel de cientos de exploraciones de resonancia magnética seleccionadas al azar. A continuación, describen cada exploración del conjunto de entrenamiento de su algoritmo de aprendizaje automático como una deformación de la plantilla. Cada sujeto del conjunto de entrenamiento está representado por dos exploraciones, realizadas con una diferencia de entre seis meses y siete años.
Los investigadores llevaron a cabo dos experimentos: en uno entrenaron su sistema con exploraciones tanto de sujetos sanos como de quienes presentaban indicios de enfermedad de Alzheimer o deterioro cognitivo leve, y en otro lo entrenaron solo con datos de sujetos sanos.
En el primer experimento, entrenaron el sistema dos veces: una vez utilizando solo las exploraciones de resonancia magnética y la segunda vez complementándolas con información adicional. Esta incluía datos sobre marcadores genéticos conocidos como polimorfismos de nucleótido simple; datos demográficos, como la edad, el sexo, el estado civil y el nivel de estudios de los sujetos; y datos clínicos básicos, como las puntuaciones de los pacientes en diversas pruebas cognitivas.
El cerebro de los sujetos sanos y de quienes se encuentran en las primeras etapas de una enfermedad neurodegenerativa cambia poco con el tiempo y, de hecho, en los casos en que las diferencias entre las exploraciones de un mismo sujeto eran leves, el sistema entrenado solo con datos de resonancia magnética funcionó bien. Sin embargo, en los casos en que los cambios eran más marcados, la incorporación de los datos complementarios marcó una diferencia significativa.
Contrafácticos
En el segundo experimento, los investigadores entrenaron el sistema una sola vez, con los datos de resonancia magnética y los datos complementarios de sujetos sanos. Sin embargo, lo utilizaron para predecir cómo habrían sido los cerebros de los pacientes con Alzheimer si no hubieran quedado desfigurados por la enfermedad.
En este caso, no existen datos clínicos que permitan validar las predicciones del sistema. No obstante, los investigadores consideran que explorar este tipo de contrafácticos podría ser científicamente útil.
“Permitiría aclarar cómo evolucionan los cambios en sujetos concretos —por ejemplo, con deterioro cognitivo leve, que es un precursor del Alzheimer— a lo largo de esta trayectoria de degeneración, en comparación con lo que sería la degeneración normal”, afirma Golland. “Creemos que tiene aplicaciones de investigación muy interesantes. Pero debo ser sincera y reconocer que la motivación original fue la curiosidad por saber cuánta anatomía podíamos predecir a partir de la genética y de otros datos no basados en imágenes.”
“No es sorprendente que los datos clínicos y genéticos ayuden”, afirma Bruce Rosen, profesor de radiología en la Facultad de Medicina de Harvard y director del Centro Athinoula A. Martinos de Imagen Biomédica del Hospital General de Massachusetts. “Pero el hecho de que haya funcionado tan bien es alentador.”
“Estas herramientas podrían ser beneficiosas para la comunidad investigadora de muchas maneras”, añade Rosen. “En mi opinión, la pregunta más difícil es si podrían ser útiles en la práctica clínica.”
Algunos fármacos experimentales prometedores contra el Alzheimer requieren determinar de forma temprana cómo es probable que progrese la enfermedad, afirma Rosen. Actualmente, dice, esa determinación depende de una combinación de datos de resonancia magnética y de tomografía por emisión de positrones (PET). “La gente cree que la resonancia magnética es cara, pero solo supone una fracción de lo que cuestan las PET”, señala Rosen. “Si las herramientas de aprendizaje automático pueden ayudar a evitar la necesidad de PET para evaluar a los pacientes en una fase temprana de la enfermedad, eso tendrá un gran impacto.”
Este artículo se publica en colaboración con MIT News. La publicación no implica que el Foro Económico Mundial respalde las opiniones expresadas.
Para mantenerse al día con la Agenda suscríbase a nuestro boletín semanal.
Autor: Larry Hardesty es redactor (informática y tecnología).
Imagen: Una mujer camina junto a una exposición de un corte cerebral. REUTERS/Brian Snyder.
