A pesar de su importancia, el diagnóstico temprano es un reto. La investigación ha vinculado el proceso de la enfermedad con los cambios en el metabolismo, tal y como demuestra la captación de glucosa en ciertas regiones del cerebro. Pero estas modificaciones pueden ser complicadas de reconocer.
El autor principal del estudio, Benjamin Franc, estaba interesado en aplicar el aprendizaje profundo, un tipo de inteligencia artificial en el que las máquinas aprenden con el ejemplo, al igual que los humanos, para encontrar cambios en el metabolismo cerebral predictivo de la patología de Alzheimer.
Los científicos entrenaron el algoritmo de aprendizaje profundo en una tecnología de imagen especial conocida como tomografía por emisión de positrones con 18-F-fluorodeoxiglucosa (FDG-PET). En una exploración de FDG-PET, FDG, se inyecta en la sangre un compuesto de glucosa radiactivo. Las tomografías PET pueden medir la captación de FDG en las células del cerebro, un indicador de la actividad metabólica.
Una herramienta útil para complementar el trabajo de los radiólogos
Los científicos tuvieron acceso a los datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI, por sus siglas en inglés), un importante estudio de varios sitios centrado en ensayos clínicos para mejorar la prevención y el tratamiento de esta enfermedad. El conjunto de datos de ADNI incluyó más de 2.100 imágenes cerebrales de FDG-PET de 1.002 pacientes.
Los investigadores entrenaron el algoritmo de aprendizaje profundo en el 90 % del conjunto de datos y luego lo probaron en el 10 % restante. A través del aprendizaje profundo, el algoritmo pudo enseñarse a sí mismo patrones metabólicos que correspondían a la enfermedad de Alzheimer.
Finalmente, probaron el algoritmo en un conjunto independiente de 40 exámenes de imágenes de 40 pacientes que nunca había estudiado. El algoritmo logró una sensibilidad del 100 % para detectar la enfermedad un promedio de más de seis años antes del diagnóstico final.
Aunque el conjunto de pruebas independientes es pequeño y necesita una validación adicional con un estudio prospectivo multiinstitucional más amplio, el doctor Sohn destaca que el algoritmo podría ser una herramienta útil para complementar el trabajo de los radiólogos, especialmente junto a otros productos bioquímicos y pruebas de imagen, a la hora de proporcionar una oportunidad para la intervención terapéutica temprana.
La investigación futura debe dirigirse a entrenar el algoritmo de aprendizaje profundo para buscar patrones asociados con la acumulación de proteínas beta-amiloides y tau, grupos de proteínas anormales y ovillos en el cerebro que son marcadores específicos de la enfermedad de Alzheimer, según Youngho SEO, de UCSF, quien fue uno de de los asesores del estudio.