Uso de la IA para diagnosticar enfermedades neurológicas basadas en el deterioro motor


Crédito: Dominio Público Pixabay/CC0

La forma en que nos movemos dice mucho sobre el estado de nuestro cerebro. Mientras que el comportamiento motor normal apunta a una función cerebral saludable, las desviaciones pueden indicar deficiencias debido a enfermedades neurológicas. Por lo tanto, la observación y evaluación de los patrones de movimiento forma parte de la investigación básica, y es también uno de los instrumentos más importantes para el diagnóstico no invasivo en aplicaciones clínicas. Bajo el liderazgo del científico informático Dr. Björn Ommer y en colaboración con investigadores de Suiza, se ha desarrollado un nuevo enfoque basado en la computación en este contexto en la Universidad de Heidelberg. Como han demostrado estudios, entre otras cosas, con personas con pruebas humanas, este enfoque permite el reconocimiento totalmente automático de las deficiencias motoras y, a través de su análisis, proporciona información sobre el tipo de enfermedades subyacentes con la ayuda de la inteligencia artificial.

Para el análisis de movimiento compatible con computadora, los sujetos generalmente tienen que ser etiquetados con marcas reflectantes o marcadores virtuales deben aplicarse al material de vídeo producido en el marco de la evaluación. Ambos procedimientos son comparativamente complicados. Además, el comportamiento del movimiento conspicuo tiene que ser conocido de antemano para que pueda ser examinado más a fondo. "Una herramienta de diagnóstico real no sólo debe confirmar los trastornos motores, sino ser capaz de reconocerlos en primer lugar y clasificarlos correctamente", explica el profesor Ommer, que dirige el grupo Computer Vision en el Centro Interdisciplinario de Computación Científica de la Universidad de Heidelberg.

Precisamente eso es posible gracias al novedoso método de diagnóstico desarrollado por su equipo, y conocido como "análisis de comportamiento y ampliación sin supervisión mediante el aprendizaje profundo" (uBAM). El algoritmo subyacente se basa en el aprendizaje automático utilizando redes neuronales artificiales y reconoce de forma independiente y totalmente automática el comportamiento característico y las desviaciones patológicas, como explica el científico de Heidelberg. El algoritmo determina qué parte del cuerpo se ve afectada y funciona como una especie de lupa para patrones de comportamiento al resaltar diferentes tipos de desviación directamente en el vídeo y hacerlas visibles. Como parte de esto, el material de video relevante se compara con otros sujetos sanos o igualmente deteriorados. El progreso en el tratamiento de los trastornos motores también se puede documentar y analizar de esta manera. Según el profesor Ommer, también se pueden extraer conclusiones sobre la actividad neuronal en el cerebro.

La base para la interfaz uBAM es una llamada red neuronal convolucional, un tipo de red neuronal que se utiliza para el reconocimiento de imágenes y propósitos de procesamiento de imágenes especialmente. Los científicos entrenaron la red para identificar un comportamiento de movimiento similar en el caso de diferentes sujetos, incluso a pesar de las grandes diferencias en su apariencia externa. Eso es posible porque la inteligencia artificial puede distinguir entre la postura y la apariencia. Además del reconocimiento y cuantificación de las deficiencias, también es importante un análisis detallado de los síntomas. "Para estudiarlos en detalle, usamos una red neuronal generativa", dice el profesor Ommer. "De esa manera podemos ayudar a los neurocientíficos y médicos a centrarse en desviaciones sutiles en el comportamiento motor que probablemente se pasan por alto a simple vista, y hacerlas fácilmente visibles magnificando la desviación. Entonces podemos demarcar exactamente el tipo de enfermedad en el caso individual".

El equipo de investigación ya ha podido demostrar la eficacia de este nuevo enfoque con la ayuda de diferentes modelos animales y estudios con pacientes humanos. Probaron, entre otras cosas, la precisión con la que uBAM puede diferenciar entre una actividad motora sana y deteriorada. En su publicación sobre el tema, los científicos reportan una tasa de recuperación muy alta tanto en ratones como en pacientes humanos. "En general, nuestro estudio muestra que, en comparación con los métodos convencionales, el enfoque basado en la inteligencia artificial ofrece resultados más detallados con un esfuerzo significativamente menor", subraya Björn Ommer.

Con respecto a la aplicación, los científicos esperan que la uBAM se utilice tanto en la investigación biomédica básica como en el diagnóstico clínico y más allá. Prof. Ommer: "La interfaz se puede aplicar cuando los métodos tradicionales resultan demasiado complicados, tediosos o no lo suficientemente eficientes. Potencialmente podría conducir a una mejor comprensión de los procesos neuronales en el cerebro y el desarrollo de nuevas opciones terapéuticas."

Además de los investigadores de Heidelberg que trabajaron con el Profesor Ommer, científicos de la Universidad de Zúrich y del Hospital Universitario de Zúrich, el Hospital Universitario Balgrist y el Centro de Neurociencia de Zúrich también participaron en el desarrollo de la interfaz uBAM. Parte de la financiación del estudio provino de la Fundación Alemana de Investigación, así como de la Branco Weiss Fellowship Society in Science y la Fundación Nacional Suiza. Los resultados fueron publicados en la revista Nature Machine Intelligence.

Comentarios

Entradas populares