La enfermedad de Alzheimer (EA) 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 para el Ministerio de Sanidad. La detección precoz es clave para mejorar la calidad de vida de los afectados y sus familias, pero identificarla en sus estadíos iniciales no siempre es fácil. Para intentar mejorar en este campo y lograr mejores resultados, investigadores de la Universidad Politécnica de Madrid han aplicado técnicas de machine learning 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 este trabajo.

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 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.

Un trabajo pionero

Para ello, 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 (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.

“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.

Referencia: 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).