Investigadores de la UCSF desarrollaron un sistema de aprendizaje profundo que estima el estado cognitivo actual y futuro de personas con Alzheimer sin requerir evaluaciones neuropsicológicas, biomarcadores en líquido cefalorraquídeo ni tomografías costosas.
Un equipo de investigadores de la Universidad de California en San Francisco (UCSF) publicó en Nature Aging un estudio que detalla el desarrollo de un modelo de inteligencia artificial (IA) capaz de predecir simultáneamente el diagnóstico, la puntuación cognitiva actual y la trayectoria de deterioro cognitivo a lo largo del tiempo en personas con enfermedad de Alzheimer, utilizando únicamente una resonancia magnética estructural de referencia y datos demográficos básicos como edad, sexo, escolaridad y estado civil.
La enfermedad de Alzheimer afecta a más de 50 millones de personas en el mundo y representa entre 60 y 70% de los casos de demencia a nivel global. Su seguimiento clínico depende en gran medida de evaluaciones neuropsicológicas que son tardadas, costosas y demandantes para les pacientes. La escala ADAS-Cog, considerada el estándar de referencia para medir la eficacia de tratamientos contra la demencia, requiere la aplicación de una batería de pruebas por parte de profesionales especializados. El modelo desarrollado por el equipo de UCSF, denominado marco multitarea de aprendizaje profundo o deep learning, busca replicar el valor clínico de esa información a partir de imágenes de resonancia magnética de uso rutinario.
El sistema integra dos módulos complementarios, el primero uno basado en imágenes, que analiza directamente los volúmenes cerebrales tridimensionales para segmentar tejido gris, blanco y líquido cefalorraquídeo, y el otro de tipo tabular, que procesa los datos demográficos mediante un algoritmo de ensamble. Entrenado con datos de mil 950 participantes del Alzheimer’s Disease Neuroimaging Initiative (ADNI) y validado con conjuntos de datos independientes, el modelo logró una precisión diagnóstica superior al 92%, una puntuación R² de 0.82 en la predicción del estado cognitivo en el momento basal y predicciones longitudinales significativas hasta 36 meses después de la exploración inicial.
Por su parte, Ashish Raj, profesor del Departamento de Radiología e Imagen Biomédica de UCSF y autor principal del estudio, señaló que el modelo prescinde de elementos que habitualmente limitan su aplicación clínica: “A diferencia de enfoques anteriores, nuestro modelo no requiere evaluación cognitiva basal, pipelines de imagen especializados, tomografías costosas, análisis genético ni proteómica de fluidos, lo que lo convierte en una herramienta rápida, precisa y de fácil implementación en la mayoría de los entornos clínicos. Nuestra técnica ofrece a otros usuarios, especialmente a las personas clínicas, la oportunidad de beneficiarse de representaciones espaciales cerebrales implícitas aprendidas por nuestros modelos propuestos, sin requerir experiencia en estos pipelines computacionales”.
En cambio, Daren Ma, especialista en aprendizaje automático del laboratorio de Raj en UCSF y primer autor del artículo, destacó la relevancia práctica del avance: “Reportamos ganancias significativas en velocidad y desempeño respecto a otros pipelines, lo que podría ser valioso para desarrollar una predicción clínica rápida del deterioro cognitivo antes de referir al paciente a un laboratorio de imagen más avanzado o a un reporte completo de neurorradiología. Esto evita la necesidad de emplear software de morfometría de resonancia magnética altamente especializado, que consume tiempo y recursos computacionales considerables, y tiene amplias implicaciones para el diagnóstico temprano, el pronóstico y el diseño de ensayos clínicos”.
Entre los hallazgos del estudio destaca que los patrones de actividad neuronal que el modelo identificó como más relevantes para la predicción cognitiva coinciden con regiones anatómicas ya reconocidas en la literatura sobre Alzheimer como la corteza temporal lateral y medial, la corteza parietal posterior, el giro del cíngulo, el hipocampo y la amígdala. A diferencia de lo que podría esperarse, estos puntos de relevancia no siguen los límites de las circunvoluciones cerebrales de forma uniforme, sino que presentan un patrón multifocal disperso, lo que sugiere que el modelo captura relaciones espaciales complejas entre morfología cerebral y cognición.
El equipo también evaluó el potencial del modelo en el diseño de ensayos clínicos. En este sentido, Raj apuntó que la capacidad de identificar desde la imagen basal a quienes presentarán deterioro rápido tiene implicaciones directas sobre la viabilidad económica de los estudios. “Nuestra capacidad para predecir correctamente los progresores frente a los no progresores utilizando solo los datos de referencia puede reducir drásticamente el tamaño de las muestras y los costos. Nuestro modelo también puede tener potencial como herramienta para la selección de pacientes y el seguimiento de la progresión en grandes ensayos clínicos de fármacos modificadores de la enfermedad”.
El estudio reconoce limitaciones derivadas del tamaño y la composición de los conjuntos de datos utilizados para el entrenamiento, así como la variabilidad en los parámetros de adquisición entre distintos equipos de resonancia magnética, factores que pueden afectar la generalización del modelo a poblaciones y contextos clínicos diferentes de los estudiados. Los autores indican que investigaciones futuras que incorporen datos longitudinales de imagen, biomarcadores en sangre y líquido cefalorraquídeo, y registros genéticos podrían mejorar aún más la capacidad predictiva del sistema.
