El modelo informático puede procesar distintas fuentes de datos clínicos para predecir la edad del cerebro
Hemisferio izquierdo del cerebro de J. Pisudski, vista lateral. Crédito: dominio público
Los científicos han entrenado una computadora para analizar diferentes tipos de escáneres cerebrales y predecir la edad del cerebro humano, según un nuevo estudio publicado en la revista de acceso abierto eLife.
Sus hallazgos sugieren que puede ser posible usar el modelo clínicamente para combinar diferentes tipos de pruebas de función cerebral para predecir otros resultados del paciente, como deterioro cognitivo o depresión.
Pruebas no invasivas de La función cerebral, como la magnetoencefalografía (MEG), la resonancia magnética nuclear (RMN) y la tomografía por emisión de positrones (PET), desempeñan un papel crucial en la neurociencia clínica. Pero debido a que todas estas pruebas miden diferentes aspectos de la función cerebral, ninguna de ellas es óptima por sí sola. Entrenar computadoras para analizar datos de diferentes pruebas y predecir un resultado clínico proporcionaría una imagen más completa de la función cerebral.
«Los modelos de computadora que han sido entrenados para predecir la edad de una persona a partir de datos cerebrales de poblaciones sanas han proporcionó información clínica útil», explica el autor principal Denis Engemann, científico investigador de Inria, el instituto nacional de investigación francés para las ciencias digitales. «El problema es que, en la clínica, no siempre es posible obtener todos los tipos de datos necesarios para este análisis».
En este estudio, el equipo se dispuso a ver si podían desarrollar un modelo que combina la información anatómica proporcionada por las resonancias magnéticas con información sobre los ritmos cerebrales que MEG captura poderosamente. Lo que es más importante, querían ver si el modelo seguiría funcionando si faltaban algunos de los datos.
Entrenaron su modelo de computadora con un subconjunto de datos de la base de datos Cam-CAN, que contiene MEG, MRI y datos neuropsicológicos de 650 personas sanas de entre 17 y 90 años. Luego compararon diferentes versiones del modelo con la resonancia magnética anatómica estándar y modelos que tenían información adicional de resonancias magnéticas funcionales (fMRI) y pruebas MEG. Descubrieron que agregar la exploración MEG o fMRI a la resonancia magnética estándar condujo a una predicción más precisa de la edad del cerebro. Cuando se agregaron ambos, el modelo se mejoró aún más.
Luego, observaron un marcador de edad cerebral (llamado delta de edad cerebral) y estudiaron cómo se relacionaba con diferentes funciones cerebrales que se miden mediante MEG y IRMf. Esto confirmó que MEG y fMRI estaban brindando información única sobre la función del cerebro, agregando más poder al modelo general.
Sin embargo, cuando probaron su modelo con la base de datos Cam-CAN completa de 650 personas, algunos de los cuales no tenían datos de MRI, fMRI y MEG disponibles, encontraron que, incluso con los datos que faltaban, el modelo de computadora que usaba lo que estaba disponible era aún más preciso que la MRI sola. Esto es importante porque en las clínicas de neurología de los hospitales no siempre es posible programar pacientes para cada tipo de exploración.
De hecho, dado que la mayoría de los hospitales usan electroencefalografía (EEG) en lugar de pruebas MEG, otra Un hallazgo importante fue que la medición de la función cerebral más poderosa que las pruebas MEG proporcionan al modelo también se puede medir con precisión mediante EEG. Esto significa que en la clínica, EEG podría sustituir potencialmente a MEG sin un impacto en el poder predictivo del modelo.
«Hemos utilizado un enfoque oportunista para entrenar un modelo informático para aprender de los datos disponibles al alcance de la mano y predecir la edad del cerebro», concluye el autor principal Alexandre Gramfort, director de investigación de Inria. «Anticipamos que se puede desbloquear un rendimiento similar utilizando pruebas de EEG más simples que se usan de forma rutinaria junto con la resonancia magnética en la clínica y podrían aplicarse fácilmente a otros puntos finales clínicos, como la dosificación del fármaco, la supervivencia o el diagnóstico».
Explore más
El algoritmo de inteligencia artificial puede predecir con precisión el riesgo y diagnosticar la EA Más información: Denis Alexander Engemann et al, Combinando magnetoencefalografía con imágenes por resonancia magnética mejora el aprendizaje de biomarcadores sustitutos, eLife ( 2020). DOI: 10.7554/eLife.54055 Información de la revista: eLife
Proporcionado por eLife Cita: El modelo informático puede procesar distintas fuentes de datos clínicos para predecir la edad del cerebro (2020, 19 de mayo) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-05-disparate-sources-clinical-brain-age.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.