Los algoritmos de aprendizaje automático han desempeñado un papel fundamental en la comprensión de los datos de los escáneres cerebrales, en el contexto de la evaluación de la edad del cerebro.
Crédito: V. Yakobchuk/Adobe Stoct
La edad de tu cerebro puede no ser la misma que el número de años que has vivido. Así como el cabello de algunas personas se vuelve gris antes que el de otras, el cerebro puede envejecer a ritmos diferentes, debido a factores genéticos y ambientales, por ejemplo.
Muchas condiciones de salud están relacionadas con el envejecimiento, así que tener un cerebro de aspecto envejecido podría ser una señal de alarma. En un estudio sobre adultos mayores, el avance de la edad cerebral se asoció con una función pulmonar más deficiente, una marcha más lenta y una muerte prematura; otras investigaciones han demostrado una relación con un mayor riesgo de demencia y de enfermedad de Alzheimer.
«Gran parte del trabajo de hoy en día se centra en asociar [a difference between brain age and actual age] con resultados clínicos y cognitivos», dice Rory Boyle, estudiante de doctorado en el Trinity College de Dublín en Irlanda.
Si se pueden hacer predicciones precisas, la edad cerebral podría utilizarse como una herramienta de detección inicial que sería seguida por pruebas más específicas.
Se trata de un campo relativamente nuevo que surgió hace unos 10 años, a medida que se disponía de grandes conjuntos de datos de escáneres cerebrales en un amplio rango de edades. Los algoritmos de aprendizaje automático jugaron un papel clave para dar sentido a estos datos. «La disponibilidad de técnicas de aprendizaje automático ha ayudado a mejorar la precisión de [predicted brain age] bastante, ya que están bien diseñados para encontrar patrones en grandes conjuntos de datos», dice James Cole, profesor asociado de análisis de neuroimágenes en el University College London (UCL) en el Reino Unido.
El aprendizaje profundo en particular es prometedor para predecir la edad cerebral. Con otras técnicas de aprendizaje de máquinas, el proceso lleva mucho tiempo; las imágenes de resonancia magnética deben ser analizadas o preparadas de otra manera por los humanos primero, por ejemplo añadiendo etiquetas o resaltando las partes de una imagen que son más informativas. Los algoritmos de aprendizaje profundo son capaces de aprender patrones relevantes por sí mismos, de modo que «sólo hay que introducir los datos en bruto y sacar las predicciones», dice Cole.
En un estudio, Cole y sus colegas probaron con qué precisión una red neural convolucional de aprendizaje profundo (CNN) podía predecir la edad cerebral. Entrenaron un modelo usando un conjunto de datos disponibles públicamente que contenía más de 2.000 resonancias magnéticas de adultos sanos de entre 18 y 90 años. El rendimiento del modelo con imágenes sin procesar se comparó con los resultados cuando las imágenes se preprocesaron para poner de relieve ciertas características pertinentes; los investigadores también compararon las predicciones de aprendizaje profundo con los resultados obtenidos de un modelo de aprendizaje automático llamado Regresión de Procesos Gausianos (GPR) que se entrenó utilizando las mismas imágenes.
El equipo descubrió que ambos métodos tenían una precisión similar cuando se probaron en imágenes nunca antes vistas del mismo conjunto de datos, lo que demuestra que el aprendizaje profundo puede generar predicciones precisas sin necesidad de diseñar los datos a mano primero. «Podrías usar imágenes en bruto que salen directamente del escáner y obtener una predicción que es básicamente tan buena como si pasaras el tiempo procesando las imágenes», dice Cole.
Utilizando esos modelos, el equipo también trató de predecir la edad cerebral de los gemelos, utilizando un pequeño conjunto de datos que contenía 62 resonancias magnéticas de gemelas idénticas y no idénticas, para evaluar si podía haber un componente genético en la edad cerebral al ver si la edad cerebral era más similar en gemelos idénticos en comparación con gemelos no idénticos. Cole y sus colegas encontraron que la edad cerebral parece ser hereditaria, ya que los cerebros de los gemelos idénticos parecían envejecer a un ritmo más similar. Dice Cole, «Sugiere que hay algunos factores genéticos que están asociados con el envejecimiento cerebral y motiva la búsqueda de genes específicos que puedan influir en ello».
Sin embargo, la aplicación de modelos de edad cerebral a nuevos conjuntos de datos no siempre genera predicciones precisas. Los modelos suelen funcionar bien cuando se los prueba con un subconjunto de datos del conjunto de datos de capacitación que no han visto antes, pero cuando se los aplica a un conjunto de datos independiente, las predicciones pueden ser confundidas por las imágenes de resonancia magnética capturadas en diferentes condiciones. «El tipo de escáner de resonancia magnética utilizado y la calidad de los datos a menudo tiene un gran impacto en el rendimiento del modelo», dice Cole. «Esto obviamente no es muy deseable, porque no tiene nada que ver con cuán saludable es el cerebro de esa persona».
En un trabajo reciente, Rory Boyle, del Instituto de Neurociencia del Trinity College de Dublín (Irlanda), investigó este problema con colegas de esa institución, la Universidad de Calabria (Italia), la Universidad Dokuz Eylul (Turquía) y la Universidad de Columbia (Nueva York), desarrollando un modelo de edad cerebral que se aplicó a tres conjuntos de datos independientes. Utilizaron un sencillo modelo de aprendizaje de máquinas llamado Red Elástica que se utiliza a menudo con imágenes cerebrales, ya que puede manejar su complejidad, que entrenaron en 1.359 resonancias magnéticas de adultos sanos para aprender la relación entre la edad real de una persona y su densidad de materia gris, que se sabe que disminuye con la edad.
La relación aprendida se aplicó luego a otros tres conjuntos de datos de resonancias magnéticas para ver si podía predecir la edad cerebral. El equipo encontró que daba predicciones razonablemente precisas para los tres conjuntos de datos. «Demuestra que es un modelo robusto que puede ser aplicado a cualquier conjunto de datos», dice Boyle. «Los modelos de aprendizaje de máquinas más complicados tendrán mayor precisión, pero nuestro modelo producirá predicciones bastante precisas en todos los conjuntos de datos».
Boyle y sus colegas también investigaron cómo las diferentes funciones cognitivas, como la fluidez verbal, estaban relacionadas con las diferencias entre la edad cerebral y la edad real, o lo que ellos llaman la brecha de la edad cerebral. Dado que se incluyeron medidas de estas habilidades en los conjuntos de datos que utilizaron, pudieron compararlas con las diferencias de edad cerebral predichas. Descubrieron que los cerebros que envejecían más rápido estaban relacionados con el empeoramiento de las funciones cognitivas, como se esperaba.
Sin embargo, todavía es necesario comprender mejor cómo se relaciona la edad cerebral con las diferentes afecciones. Cole y sus colegas han estudiado recientemente cómo un cerebro de aspecto antiguo afecta al avance de la esclerosis múltiple, una enfermedad que afecta al cerebro y a la médula espinal y que puede provocar discapacidades físicas. Ahora están investigando si el envejecimiento es constante en todo el cerebro, o si algunas áreas pueden parecer más viejas que otras en la misma persona. «Estamos tratando de crear un modelo de edad cerebral que haga predicciones a un nivel más local», dice Cole.
Con el tiempo, las predicciones sobre la edad cerebral podrían utilizarse en entornos clínicos. En la actualidad, a los pacientes se les suelen presentar resultados de las resonancias magnéticas que pueden ser difíciles de interpretar, pero el hecho de que se les diga que su cerebro parece cinco o diez años más viejo de lo que debería, por ejemplo, podría tener un mayor impacto.
«La gente tiene una buena comprensión intuitiva de lo que significa que le digan que su cerebro se ve más viejo de lo que se espera para su edad», dice Cole. «Esperamos que ese tipo de información ayude a las personas a tomar medidas de estilo de vida, como cambiar su dieta o fumar menos».
Sandrine Ceurstemont es un escritor científico independiente con base en Londres, Reino Unido.
No se han encontrado entradas
