IA detecta Alzheimer con 90% de precisión en resonancias magnéticas de rutina

En el Hospital General de Massachusetts, un equipo de investigadores ha logrado entrenar un algoritmo de inteligencia artificial capaz de identificar signos de Alzheimer en resonancias magnéticas cerebrales con una precisión del 90,2%. Lo notable no es solo el porcentaje, sino dónde y cómo funciona: el sistema fue diseñado para trabajar con imágenes obtenidas durante exámenes de rutina, no en laboratorios controlados. Matthew Leming, investigador del Centro de Biología de Sistemas del hospital, lideró el trabajo junto a Sudeshna Das e Hyungsoon Im. Su estudio, publicado en PLOS ONE, representa un salto significativo en cómo la medicina podría detectar esta enfermedad neurodegenerativa en la práctica clínica real.

El desafío que enfrentaban los investigadores era convertir un problema de laboratorio en una solución hospitalaria. El aprendizaje profundo, una rama del aprendizaje automático, había demostrado éxito detectando enfermedades en imágenes cerebrales de alta calidad recopiladas en entornos de investigación cuidadosamente controlados. Pero los hospitales no funcionan así. Generan miles de resonancias magnéticas cada año como parte de la rutina clínica, y esas imágenes se acumulan en bases de datos enormes. La pregunta era si un algoritmo podía aprender de esos datos reales, imperfectos y variados, para hacer diagnósticos precisos.

Para responder, Leming y su equipo entrenaron su modelo usando imágenes de resonancia magnética cerebral de pacientes atendidos en el Hospital General de Massachusetts antes de 2019. Algunos tenían Alzheimer; otros no. Luego pusieron a prueba el sistema en cinco conjuntos de datos diferentes: imágenes posteriores a 2019 del mismo hospital, datos del Brigham and Women's Hospital antes y después de 2019, y registros de sistemas de salud externos en ambos períodos. El objetivo era claro: demostrar que el algoritmo funcionaba independientemente del hospital, del equipo de resonancia magnética utilizado, y del momento en que se tomaron las imágenes.

Los números son sustanciales. El estudio incluyó 11.103 imágenes de 2.348 pacientes con riesgo de Alzheimer y 26.892 imágenes de 8.456 pacientes sin la enfermedad. En todos los cinco conjuntos de datos, el modelo mantuvo su precisión del 90,2%. Esto significa que el sistema no solo funcionaba en el hospital donde fue entrenado, sino que generalizaba a otros hospitales, otros equipos y otros períodos de tiempo, un logro que rara vez se alcanza en este tipo de investigación.

Uno de los obstáculos más complejos que Leming y sus colegas tuvieron que resolver fue la edad. El Alzheimer típicamente afecta a adultos mayores, lo que significa que los algoritmos de aprendizaje profundo tienden a confundir los cambios cerebrales normales del envejecimiento con los signos de la enfermedad. Para evitar esto, hicieron que el modelo fuera "ciego" a las características cerebrales demasiado asociadas con la edad del paciente. De esta manera, el sistema podría detectar casos raros de inicio temprano sin ser engañado por patrones relacionados con la edad.

Otro desafío fue la variabilidad técnica. Una resonancia magnética tomada en un escáner fabricado por una empresa puede verse diferente a la de otro fabricante, incluso si el paciente tiene la misma condición. Leming explicó que los modelos entrenados en imágenes de un tipo de escáner a menudo fracasan con imágenes de otro. Para resolver esto, el equipo implementó una métrica de incertidumbre que permite al modelo reconocer cuándo los datos de un paciente son demasiado diferentes de aquellos con los que fue entrenado, evitando predicciones poco confiables.

Lo que distingue este trabajo de investigaciones anteriores es su enfoque en la realidad clínica. Leming señaló que aunque se han realizado numerosos estudios de aprendizaje profundo para detectar Alzheimer en resonancias magnéticas, pocos han intentado hacerlo con imágenes recopiladas de forma rutinaria en entornos hospitalarios reales. La mayoría de los estudios previos trabajaban con datos de investigación de alta calidad, recogidos bajo condiciones ideales. Este estudio, en cambio, tomó el desorden y la variabilidad del mundo real y demostró que el algoritmo podía funcionar de todas formas.

Las implicaciones son profundas. Si este método se implementa en hospitales, podría permitir que radiológos y neurólogos identifiquen signos tempranos de Alzheimer en pacientes que se someten a resonancias magnéticas por otras razones. Esto podría acelerar el diagnóstico, permitir intervenciones más tempranas y, potencialmente, mejorar los resultados para millones de personas. El Alzheimer es la forma más común de demencia en adultos mayores, y la detección temprana es crucial para cualquier estrategia de tratamiento. Con este avance, la inteligencia artificial ha demostrado que puede ser una herramienta práctica y confiable en la lucha contra esta enfermedad.