Poder diagnosticar enfermedades tan terribles como el Alzheimer es muy importante, pues los tratamientos y las intervenciones suelen tener más éxito en etapas tempranas de la enfermedad. Sin embargo, el diagnóstico a tiempo parece retar a los propios médicos. Los investigadores ahora han ligado el proceso de la enfermedad a cambios en el metabolismo, mostrando que ciertos cambios en la absorción de la glucosa en ciertas áreas del cerebro pudiesen ligarse a la enfermedad, aunque estos cambios son difíciles de reconocer.
«Las diferencias en los patrones de glucosa en el cerebro son muy sutiles y difusos» dice el co-autor de un estudio, Jae Sohn, del Departmento de Radiología e Imágenes Biomédicas, de la Universidad de California en San Francisco. «Las personas son buenas encontrando marcadores biológicos específicos, pero los cambios metabólicos representan procesos mucho más globales y sutiles», indicó.
El autor principal del estudio, el Doctor Benjamin Franc, de la misma Universidad, ayudándose del estudiante Yiming Ding vía la idea del grupo de investigación de los grandes datos en Radiología (Big Data in Radiology – BDRAD), compuesto por médicos e ingenieros, se enfocaron en la ciencia de los datos radiológicos. El Dr. Franc se interesó por el aprendizaje profundo, un tipo de IA en donde las máquinas aprenden por el ejemplo que se les alimenta, como hacen los seres humanos, de manera que se pudiese aplicar esta técnica para encontrar cambios en el metabolismo de las personas para predecir eventualmente la enfermedad de Alzheimer.
Los investigadores entrenaron el algoritmo de aprendizaje profundo a través de una tecnología llamada FDG-PET: 18-F-fluorodeoxyglucose positron emission tomography, en donde el compuesto radioactivo de la glucosa, se inyecta en la sangre. El escaneo positrónico puede medir la absorción de FDG en las células del cerebro, que son un indicador de la actividad metabólica.
El trabajo se basó en datos de ADNI – Alzheimer’s Disease Neuroimaging Initiative, un sitio que se enfoca en pruebas clínicas para mejorar la prevención y tratamientos del Alzheimer. El conjunto de datos de ADNI incluyeron más de 2100 imágenes FDG-PET de 1002 pacientes. Los investigadores entonces entrenaron la red neuronal de aprendizaje profundo con el 90% del conjunto de datos y lo probaron con el restante 10% de los datos. A través de aprendizaje profundo, el algoritmo fue capaz de enseñarse a sí mismo los patrones metabólicos que corresponden a la terrible enfermedad.
Finalmente los investigadores probaron el algoritmo en un conjunto independiente de 40 imágenes de 40 pacientes que nunca antes habían sido estudiados. El algoritmo obtuvo un 100% de sensibilidad al detectar la enfermedad con más de seis años de antelación a su diagnóstico final.
«Estamos muy contentos con el desempeño del algoritmo», dijo Sohn. «Fue capaz de predecir cada caso que avanzó a la enfermedad de Alzheimer».
Hay que indicar que hay que ser precavidos, pues el conjunto de datos con el que se trabajó no es lo suficientemente grande. Sin embargo, para Sohn, este algoritmo podría ser útil como una herramienta que complemente el trabajo radiológico, especialmente en conjunto con otras pruebas en imágenes, pudiendo así tener una intervención terapéutica temprana.
«Si podemos diagnosticar el Alzheimer apenas cuando ya todos los síntomas se han manifestado, es difícil poder intervenir», dice Sohn. «En cambio, si podemos detectar la enfermedad de forma temprana, hay una oportunidad para tratar la enfermedad e incluso detenerla».