211service.com
Máquina de aprendizaje profundo utiliza resonancias magnéticas para determinar la edad de su cerebro
Las capacidades cognitivas humanas disminuyen con la edad. Y los neurocientíficos saben desde hace mucho tiempo que esta disminución también se correlaciona con cambios anatómicos en el cerebro. Por lo tanto, no sorprende saber que es posible detectar los signos del envejecimiento en las imágenes de resonancia magnética del cerebro e incluso determinar la edad del cerebro. La diferencia entre la edad cerebral y la edad cronológica puede revelar la aparición de condiciones como la demencia.
Pero el análisis es largo porque los datos de resonancia magnética tienen que procesarse en gran medida antes de que sean adecuados para el envejecimiento automatizado. Este procesamiento previo incluye la eliminación de la imagen de tejido no cerebral, como el cráneo, la clasificación de la materia blanca, la materia gris y otros tejidos, y la eliminación de artefactos de imagen junto con varias técnicas de suavizado de datos.
Todo este procesamiento de datos puede llevar más de 24 horas, y eso es un obstáculo serio para los médicos que esperan tener en cuenta la edad del cerebro de un paciente al hacer un diagnóstico clínico.
Hoy, todo eso cambia gracias al trabajo de Giovanni Montana en King's College London y algunos amigos que han entrenado una máquina de aprendizaje profundo para medir la edad del cerebro utilizando datos sin procesar de un escáner de resonancia magnética. La técnica de aprendizaje profundo lleva unos segundos y podría dar a los médicos una idea precisa de la edad del cerebro mientras el paciente todavía está en el escáner.
El método es una técnica estándar de aprendizaje profundo. Montana y compañía utilizan resonancias magnéticas cerebrales de más de 2000 personas sanas de entre 18 y 90 años. Ninguno tenía algún tipo de condición neurológica que pudiera influir en su edad cerebral. Entonces, su edad cerebral debería coincidir con su edad cronológica.
Cada exploración es una resonancia magnética ponderada en T1 estándar del tipo producido por la mayoría de las máquinas de resonancia magnética modernas. Cada escaneo está etiquetado con la edad cronológica del paciente.
El equipo usó el 80 por ciento de estas imágenes para entrenar una red neuronal convolucional para determinar la edad de una persona, dada su exploración cerebral. Utilizaron otras 200 imágenes para validar este proceso. Finalmente, probaron la red neuronal en 200 imágenes que no había visto para determinar qué tan bien podía medir la edad del cerebro.
Al mismo tiempo, el equipo comparó el enfoque de aprendizaje profundo con el método convencional para determinar la edad del cerebro. Esto requiere un extenso procesamiento de imágenes para identificar, entre otras cosas, la materia blanca y la materia gris en el cerebro, seguido de un análisis estadístico llamado regresión del proceso gaussiano.
Los resultados hacen una lectura interesante. Tanto el aprendizaje profundo como el proceso de regresión gaussiana determinan con precisión la edad cronológica de los pacientes cuando se les entregan datos preprocesados para analizar. Ambos métodos hacen esto con un error de menos de cinco años en ambos sentidos.
Sin embargo, el aprendizaje profundo muestra su clara superioridad al analizar datos de resonancia magnética sin procesar, donde funciona igual de bien, dando la edad correcta con un error medio de 4,66 años. Por el contrario, el método estándar de regresión del proceso gaussiano tiene un desempeño deficiente en esta prueba, dando una edad aproximada con un error medio de casi 12 años.
Además, el análisis de aprendizaje profundo tarda solo unos segundos en comparación con las 24 horas de preprocesamiento necesarias para el método estándar. El único procesamiento de datos requerido para la máquina de aprendizaje profundo es garantizar la consistencia de la orientación de la imagen y las dimensiones del vóxel entre las imágenes.
Eso tiene implicaciones significativas para los médicos. Dada la implementación correcta del software, los datos de la edad prevista por el cerebro podrían estar disponibles para un médico mientras el paciente todavía está en el escáner, dicen Montana y compañía.
El equipo también comparó imágenes tomadas con diferentes escáneres solo para mostrar que la técnica se puede aplicar a escaneos tomados en diferentes máquinas en diferentes partes del mundo. También comparan las edades cerebrales de los gemelos para mostrar cómo la edad cerebral está relacionada con factores genéticos. Curiosamente, la correlación disminuye con la edad, lo que sugiere que los factores ambientales se vuelven más significativos a medida que pasa el tiempo y sugiere una línea prometedora de investigación futura.
Ese es un resultado impresionante que tiene el potencial de influir significativamente en la forma en que los médicos llegan a un diagnóstico. Hay pruebas considerables de que enfermedades como la diabetes, la esquizofrenia y las lesiones cerebrales traumáticas se correlacionan con un envejecimiento cerebral más rápido. Por lo tanto, una forma de medir el envejecimiento del cerebro de manera rápida y precisa podría tener un impacto importante en la forma en que los médicos lidian con estas afecciones en el futuro. La edad predicha por el cerebro representa un fenotipo preciso, altamente confiable y genéticamente válido que tiene potencial para usarse como un biomarcador del envejecimiento cerebral, dicen Montan y compañía.
Ref: arxiv.org/abs/1612.02572 : Predecir la edad del cerebro con aprendizaje profundo a partir de datos de imágenes sin procesar da como resultado un biomarcador confiable y hereditario