Posts etiquetados con ‘Inteligencia artificial’

La inteligencia artificial para el diagnóstico temprano del Alzheimer

Según un estudio desarrollado por investigadores del Departamento de Radiología e Imagen Biomédica de la Universidad de California en San Francisco (UCSF) y publicado en la revista Radiology, los nuevos avances en inteligencia artificial (IA) pueden mejorar la capacidad  para predecir la enfermedad de Alzheimer a partir de las imágenes cerebrales.

El diagnóstico temprano de la enfermedad de Alzheimer es extremadamente importante, ya que los tratamientos e intervenciones son más efectivos al principio de la enfermedad. Sin embargo, el diagnóstico temprano ha demostrado ser un verdadero retoLa investigación ha relacionado el proceso de la enfermedad con los cambios en el metabolismo, como lo demuestra la captación de glucosa en ciertas regiones del cerebro, pero estos cambios pueden ser difíciles de reconocer y normalmente la sintomatología comienza cuando la enfermedad se encuentra más avanzada.

El grupo de investigación ha aplicado las tecnologías del aprendizaje profundo (deep learning), un tipo de inteligencia artificial en el que las máquinas aprenden con el ejemplo, al igual que los humanos, para encontrar patrones que señalen cambios predictivos en el metabolismo cerebral  de la enfermedad de Alzheimer. Los investigadores entrenaron un algoritmo de aprendizaje profundo a partir de las imágenes tomadas con una tecnología de imagen especial conocida como tomografía por emisión de positrones (FDG-PET) con la que se puede medir la actividad metabólica del cerebro.

Los investigadores mediante el acceso a neuroimágenes de más de 2.100 imágenes cerebrales de FDG-PET de 1.002 pacientes de la base de datos de la Iniciativa de neuroimagen de la enfermedad de Alzheimer (ADNI), que se centra en ensayos clínicos para mejorar la prevención y el tratamiento de esta enfermedad. Entrenaron el algoritmo con el 90% ciento del conjunto de datos y validando con el 10% restante, con lo que fueron capaces de descubrir patrones metabólicos que correspondían a la enfermedad de Alzheimer.

Posteriormente los investigadores probaron el algoritmo en un conjunto independiente de 40 imágenes de 40 pacientes que nunca había estudiado. El algoritmo logró una sensibilidad del 100% para detectar la enfermedad que supone un promedio de más de seis años de antelación sobre un diagnóstico normal.

Es necesario apuntar que el conjunto de pruebas independientes se considera pequeño y es necesaria una validación adicional con un estudio más amplio entre distintas instituciones. En todo caso parece vislumbrarse que estas nuevas tecnologías y con las capacidades de procesamiento existentes actualmente, podría ser una herramienta muy útil y complementaria al trabajo desarrollado por los radiólogos para el diagnóstico y la intervención terapéutica temprana en la enfermedad de Alzheimer.

Entra las investigaciones que se están desarrollando en este campo merece la pena destacar aquellas  que intentan entrenar algoritmos de aprendizaje profundo para buscar patrones asociados con la acumulación de proteínas beta-amiloides y tau, grupos de proteínas anormales y ovillos en el cerebro que son marcadores específicos de la enfermedad de Alzheimer.

Referencia: Yiming Ding, Jae Ho Sohn, Michael G. Kawczynski, Hari Trivedi, Roy Harnish, Nathaniel W. Jenkins, Dmytro Lituiev, Timothy P. Copeland, Mariam S. Aboian, Carina Mari Aparici, Spencer C. Behr, Robert R. Flavell, Shih-Ying Huang, Kelly A. Zalocusky, Lorenzo Nardo, Youngho Seo, Randall A. Hawkins, Miguel Hernandez Pampaloni, Dexter Hadley, Benjamin L. Franc. A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the BrainRadiology, 2018; 180958 DOI

Etiquetas: , ,

El espacio también puede ayudar en la innovación sobre el envejecimiento de la población

GPM Core ObservatoryEs indudable el proceso de envejecimiento de la población a nivel mundial y cómo el rango de población de mayor de 60 años esta creciendo más rápido que cualquier otro grupo de edad. Este “terremoto” demográfico sin duda tendrá efectos económicos y sociales si no conseguimos adaptar nuestra sociedad al gran beneficio que supone tener más años de vida. Para ello la innovación puede ser uno de los principales factores para conseguir esa adaptación y esta innovación puede provenir de multiples y heterogeneos campos de investigación, tan diferentes como las nuevas soluciones que presenta un ámbito que aparentemente esta tan alejado del envejecimiento como es la demografía geoespacial.

En los últimos años, la Unión Europea ha lanzado iniciativas destinadas a abordar los desafíos que enfrenta el envejecimiento de la población. Para ello se esta desarrollando una industria al rededor de la denominada “Silver Economy” que aborda los aspectos y necesidades más específicas de este grupo de población, como son los aspectos de la vivienda y la adaptación de las ciudades a estas especificidades.

Pero, ¿ dónde y cómo vivirán en el futuro exactamente las personas más mayores? Sin esta información importante, la construcción de estrategias para atender adecuadamente a las personas mayores (una cohorte diversa y heterogénea que incluye tanto a los que están enfermos como a los que disfrutaran de una buena salud con motivaciones y actividades diversas), por lo que será difícil satisfacer sus necesidades con éxito.

La buena noticia es que una nueva generación de modelos de dinámica poblacional, se están apoyando en las nuevas imágenes de satelites de alta resolución para innovar, generando modelos que puedan predecir dónde es probable que vivan en el futuro las personas mayores en los núcleos urbanos. Un estudio reciente financiado por la Agencia Espacial Europea examinó este desafío. Los resultados preliminares de este experimento, llamado AgeSpot, se dieron a conocer recientemente.

En pocas palabras, el trabajo del equipo era predecir la densidad de personas mayores (de 65 años en adelante) que viven en un lugar determinado en cualquier momento durante los próximos 20 años.

Mediante la aplicación de técnicas de modelado econométrico y demográfico, el uso de los datos censales, junto con la utilización de los datos de los satélites actuales, y mediante técnicas de machine learning e inteligencia artificial, se entrenó a algoritmos de predicción para encontrar patrones de relaciones entre los humanos y su entorno físico. Y, como resultado, algunos de estos patrones se ha encontrado que son muy buenos predictores de quién probablemente vive al lado, dos puertas abajo, o a cinco paradas de metro.

La ciudad elegida para llevar acabo este estudio fue Viena, Austria, una ciudad europea de tamaño medio con tendencias poblacionales estables y una gran cantidad de registros abiertos al público. Como paso preliminar, el motor analítico de AgeSpot fue alimentado con entradas de varias fuentes de datos que finalmente le permitieron predecir la distribución actual de edades a nivel agregado con más del 95% de grado de precisión.

En la siguiente figura se muestra los datos censales de la población mayor, su localización y concentración en la ciudad y a la derecha la predicción que los algoritmos desarrollaron con los datos obtenidos de los satélites.

Cómo se puede observar, en el gráfico de la derecha que es el de la predicción, además de obtener una mayor precisión y resolución de los datos de concentración de la población mayor, los patrones obtenidos por el algoritmo son muy similares a los datos censales. Esta metodología innovadora tendría múltiples utilidades, como pueden ser una mejor planificación de las leyes urbanísticas, planificación y optimización de infraestructuras, mejor planificación de los presupuestos de servicios sociales, campañas locales y regionales, etc. En los países en desarrollo cuyas sociedades y economías están cambiando rápidamente y donde el censo (con datos muy desactualizados), la planificación pública y la prestación de servicios se ven obstaculizados por muchas limitaciones, las aplicaciones para aprovechar este tipo de herramientas parecen ilimitadas, para el mejor desarrollo de estas ciudades y su adaptación a la población cada vez más longeva.

Fuente: Auropean Space AgencyThe Brookings Institution.

Etiquetas: , , , , , , ,