Venres 29 Marzo 2024

Un algoritmo axuda á detección temperá do alzhéimer cunha precisión de máis do 99%

A deterioración cognitiva leve (DCL) é un dos primeiros sinais da presenza do alzhéimer. Por esta fase pasan todos os afectados pola doenza (aínda que non todas as persoas que o sofren teñen logo alzhéimer, xa que se pode deber a outras condicións) e nela poden aparecer certas alteracións cerebrais que axudan no diagnóstico. Diante da crecente incidencia das enfermidades neurodexenerativas no mundo, equipos multidisciplinares unen forzas para anticiparse aos seus síntomas e intentar conter o seu avance, aínda que moitas veces estas patoloxías seguen sendo irreversibles e non contan con tratamentos efectivos. Porén, desde disciplinas como a intelixencia artificial trabállase arreo para complementar os diagnósticos, e un avance de científicos lituanos, publicado recentemente, está a marcar un prometedor camiño, ao detectar posibles indicadores do alzhéimer a través dun algoritmo, cunha precisión moi cercana ao 100%.

No traballo analízanse imaxes de resonancia magnética cerebral de 138 persoas e desenvólvese un método que permite detectar o DCL, o primeiro paso que precede aos sinais claros de avance da enfermidade, xa que esta primeira etapa non presenta apenas síntomas físicos que poidan ser observados. E conseguiuse unha taxa de precisión do máis do 99%, mellorando os métodos existentes en termos de precisión, sensibilidade e especifidade.

Publicidade

Estas técnicas son un reforzo para o diagnóstico, xa que a análise manual de resonancias magnéticas está bastante avanzada, pero a interpretación humana pode ter limitacións fronte ás técnicas de aprendizaxe profunda, que van mellorando a base de ‘adestrar’ con enormes bases de datos, aplicando despois o aprendido á interpretación de novas imaxes. Neste caso usáronse máis de 78.000 exploracións. Os investigadores apuntan que o modelo podería complementarse con máis datos, como a idade ou a presión arterial.

O científico Rytis Maskeliūnas, da Universidade Tecnolóxica de Kaunas. Foto: KTU.
O científico Rytis Maskeliūnas, da Universidade Tecnolóxica de Kaunas. Foto: KTU.RR

“O procesamento de sinais moderno permite delegar este traballo de análise na máquina, que pode completalo máis rápido e coa a suficiente precisión”, di Rytis Maskeliūnas, profesor de informática da Universidade Tecnolóxica de Kaunas (KTU) en Lituania.

O científico aclara que, “por suposto, non nos atrevemos a suxerir que un profesional médico deba confiar nun algoritmo ao 100%. Hai que pensar nesta máquina como un robot capaz de realizar a tarea más pesada, de clasificar os datos e buscar características”, complementaria fronte á necesaria tarefa de interpretación ‘humana’.

Así, segundo describen os autores do traballo, unha vez que o software da computadora resalta os casos potenciais, os especialistas poden revisar e confirmar a información. No caso do alzhéimer, o diagnóstico temperán significa máis tempo para intentar frear os síntomas, aínda sen dispoñer dun tratamento efectivo fronte á enfermidade.

O modelo descrito no estudo baséase nunha rede neuronal, e é capaz de dividir as imaxes cerebrais en seis categorías, que van desde cerebros ‘sans’ ata a que mostra as manifestacións claras e avanzadas do alzhéimer. “Aínda que este non é o primeiro intento de diagnosticar a aparición temperá da enfermidade a partir de datos semellantes, o noso principal avance é a precisión do algoritmo“, explica Maskeliūnas, que engade: “Obviamente, cifras tan altas non son indicadores dun desempeño en condicións totalmente reais, pero estamos traballando con institucións médicas para obter máis datos e mellorar as prestacións”.

Na actualidade hai diversos métodos para detectar esta doenza dexenerativa, como o seguimento ocular, análises de voz e mesmo a instalación de sensores nos fogares para ver o comportamento dos posibles pacientes, pero os métodos de intelixencia artificial achegarán, sen dúbida, un novo paso no diagnóstico.


ReferenciaAnalysis of Features of Alzheimer’s Disease: Detection of Early Stage from Functional Brain Changes in Magnetic Resonance Images Using a Finetuned ResNet18 Network (Publicado en Diagnostics).

DEIXAR UNHA RESPOSTA

Please enter your comment!
Please enter your name here

Este sitio emprega Akismet para reducir o spam. Aprende como se procesan os datos dos teus comentarios.

Relacionadas

Así se desenvolve o medo no cerebro

Neurobiólogos da Universidade de California descubriron en ratos como a tensión e o abafo convértense en afeccións como o trastorno de estrés postraumático

Por que o cerebro dos vertebrados é tan complexo? A clave está en virus antigos

Uunha secuencia xenética derivada de primitivos retrovirus resulta esencial para producir mielina, a capa que protexe as fibras nerviosas

Un novo test pode detectar o alzhéimer cunha precisión do 90 %

Unha investigación internacional con participación española desenvolveu unha proba que identifica un biomarcador clave chamado p-tau217

Unha técnica biomatemática monitoriza a evolución do dano en accidentes cerebrovasculares

O tecido cortical que aínda mostra actividade nun encefalograma pode estar a sufrir xa a morte irreversible das capas neuronais máis superficiais