Muéstrame tu escáner cerebral y te diré cuántos años tienes realmente
Las redes neuronales artificiales tendrán un papel cada vez más importante en el diagnóstico médico
La edad biológica de una persona puede determinarse con precisión a partir de imágenes cerebrales utilizando la última tecnología de IA, las llamadas redes neuronales artificiales. Sin embargo, hasta ahora no estaba claro qué características utilizaban estas redes para inferir la edad. Los investigadores del Instituto Max Planck de Ciencias Cognitivas y Cerebrales Humanas han desarrollado ahora un algoritmo que lo revela: La estimación de la edad se remonta a toda una serie de características del cerebro, que proporcionan información general sobre el estado de salud de una persona. El algoritmo podría así ayudar a detectar más rápidamente tumores o la enfermedad de Alzheimer y permite sacar conclusiones sobre las consecuencias neurológicas de enfermedades como la diabetes.
Imagen simbólica
Unsplash
Las redes neuronales profundas son una tecnología de IA que ya está enriqueciendo nuestra vida cotidiana a muchos niveles: Las redes artificiales, que siguen el modelo del funcionamiento de las neuronas reales, pueden entender y traducir el lenguaje, interpretar textos y reconocer objetos y personas en imágenes. Pero también pueden determinar la edad de una persona a partir de una resonancia magnética de su cerebro. Es cierto que sería más fácil averiguar la edad preguntando a la persona. Sin embargo, la determinación de la edad por parte de la máquina también permite hacerse una idea del aspecto normal de un cerebro sano en diferentes etapas de la vida. Si la red estima que la edad biológica del cerebro basada en el escáner es superior a la real, eso puede indicar una posible enfermedad o lesión. En estudios anteriores, por ejemplo, se comprobó que los cerebros de personas con determinadas enfermedades, como la diabetes o el deterioro cognitivo grave, parecían tener más años de los que realmente tenían. En otras palabras, los cerebros se encontraban en un estado biológico peor de lo que cabría suponer en función de la edad de estas personas.
Aunque las redes neuronales artificiales pueden determinar con precisión la edad biológica, hasta ahora no se sabía qué información de las imágenes cerebrales utilizaban sus algoritmos para hacerlo. Los científicos del campo de la investigación de la IA también se refieren a esto como el "problema de la caja negra": Según esto, se introduce una imagen cerebral en el modelo, la "caja negra", se deja que la procese y, en última instancia, sólo se obtiene su respuesta. Sin embargo, debido a la complejidad de las redes, hasta ahora no estaba claro cómo se genera esta respuesta. Por eso, los científicos del Instituto Max Planck de Ciencias Cognitivas y Cerebrales (MPI CBS) de Leipzig querían abrir la caja negra: ¿En qué se fija el modelo para llegar a su resultado, la edad cerebral? Para ello, colaboraron con el Instituto Fraunhofer de Telecomunicaciones de Berlín en el desarrollo de un nuevo algoritmo de interpretación que permite analizar las estimaciones de edad de las redes.
"Es la primera vez que aplicamos el algoritmo de interpretación en una tarea de regresión compleja", explica Simon M. Hofmann, candidato al doctorado en el MPI CBS y primer autor del estudio subyacente, que ha aparecido ahora en la revista NeuroImage. "Ahora podemos determinar exactamente qué regiones y características del cerebro son indicativas de una edad biológica superior o inferior".
Esto demostró que las redes neuronales artificiales utilizan, entre otras cosas, la materia blanca para hacer predicciones. Así, se fijan sobre todo en la cantidad de pequeñas grietas y cicatrices que recorren el tejido nervioso del cerebro. También analizan la anchura de los surcos en la corteza cerebral o el tamaño de las cavidades, los llamados ventrículos. Estudios anteriores han demostrado que cuanto mayor es una persona, más grandes son sus surcos y ventrículos por término medio. Lo interesante es que las redes neuronales artificiales llegaron a estos resultados por sí solas, sin haber recibido esta información. Durante su fase de entrenamiento, lo único que tenían a su disposición eran los escáneres cerebrales y los años de vida reales de la persona.
"Por supuesto, una estimación de la edad aumentada también puede interpretarse como un error del modelo", dijo Veronica Witte, líder del grupo de investigación. "Pero pudimos demostrar que estas desviaciones son biológicamente significativas". Por ejemplo, los investigadores confirmaron que las personas con diabetes tienen una mayor edad cerebral. Pudieron demostrar que los enfermos tienen más lesiones en la materia blanca.
Ya está claro que las redes neuronales artificiales desempeñarán un papel cada vez más importante en el diagnóstico médico. Por tanto, saber por qué se guían estos algoritmos será cada vez más importante: en el futuro, un escáner cerebral podría ser analizado automáticamente por diferentes redes, cada una de las cuales se especializa en determinadas áreas: una saca conclusiones sobre la enfermedad de Alzheimer, otra sobre tumores y otra sobre posibles trastornos mentales. "El médico no sólo recibe información sobre la posible presencia de determinadas enfermedades. También ve qué áreas del cerebro subyacen a los diagnósticos", explica Hofmann. Los algoritmos marcan las características correspondientes directamente en la imagen de la resonancia magnética en cada caso y así pueden ser detectadas más fácilmente por los profesionales médicos, que a su vez pueden sacar conclusiones inmediatas sobre la gravedad de una enfermedad. También sería más fácil detectar diagnósticos erróneos: Si el análisis se basa en zonas biológicamente inverosímiles, como los errores que se produjeron al crear la imagen, éstos pueden ser detectados inmediatamente por el médico. Así, el algoritmo de interpretación del equipo de investigación puede, en última instancia, ayudar a mejorar la precisión de las propias redes neuronales artificiales.
En un estudio de seguimiento, los investigadores quieren ahora investigar con más detalle por qué sus modelos se fijan también en características del cerebro que hasta ahora han desempeñado un papel escaso en la investigación sobre el envejecimiento. Por ejemplo, ha resultado que las redes neuronales también se centran en el cerebelo. Hasta ahora, el modo en que los procesos de envejecimiento progresan allí en personas sanas y enfermas era un misterio para los científicos.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Simon M Hofmann, Frauke Beyer, Sebastian Lapuschkin, Ole Goltermann, Markus Loeffler, Klaus-Robert Müller, Arno Villringer, Wojciech Samek, A Veronica Witte. Towards the interpretability of deep learning models for multi-modal neuroimaging: Finding structural changes of the ageing brain. Neuroimage. 2022 Nov 1;261:119504
Más noticias del departamento ciencias
Reciba la industria de las ciencias biológicas en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de biotecnología, productos farmacéuticos y ciencias de la vida le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
