Modelos computacionales para optimizar el diagnóstico de alzheimer

UN/DICYT El objetivo es mejorar la utilidad de las imágenes de resonancia magnética cerebral para ponerlas al servicio del diagnóstico, el entrenamiento y la investigación de enfermedades como el alzheimer. “Normalmente, los profesionales de la salud suelen utilizar las tomografías o las resonancias magnéticas para precisar el diagnóstico de un paciente, pero dichas imágenes no vuelven a usarse”, afirma Andrea del Pilar Rueda Olarte, doctora en Sistemas y Computación de la Facultad de Ingeniería de la Universidad Nacional de Colombia en Bogotá.

Esta fue una de las razones que motivó su trabajo de tesis doctoral titulado “Modelos de Atención Visual y Representaciones Escasas para el Análisis Morfométrico de Imágenes”, desarrollado a lo largo de cinco años por esta profesora del Departamento de Ingeniería de Sistemas de la Pontificia Universidad Javeriana.

“El alzheimer es una enfermedad compleja que no es fácilmente diagnosticable. En el mundo existen cientos de grupos de investigación que avanzan en diversos temas relacionados con este mal. Uno de esos es, precisamente, cómo diagnosticar con mayor precisión la enfermedad”, comenta la profesora Rueda.

Se estima que en el mundo hay más de 31 millones de personas que padecen alzheimer. En Colombia la cifra supera los 200 mil pacientes, especialmente mujeres que se encuentran entre los 65 y 85 años de edad.

En la actualidad, existe una tendencia hacia el desarrollo de herramientas de análisis y procesamiento de imágenes médicas que busca diseñar métodos biológicamente inspirados, que se asemejen al sistema de visión humana. Los modelos de atención visual y las representaciones escasas son dos ejemplos de ello y fueron utilizados en este trabajo de tesis doctoral.

La profesora Rueda explica que el modelo de atención visual consiste en un conjunto de técnicas matemáticas que intenta representar cómo funciona el sistema visual humano, es decir, cómo el ojo combinado con el cerebro interpreta las señales visuales y las define o las nombra.

“Todo lo que el cerebro hace de forma mecánica es lo que se intenta modelar a través de métodos matemáticos”, señala la investigadora, quien añade que se trata de un proceso complejo, pues el objetivo es hacer que un computador interprete dicha información como lo hace el ser humano.

Asimismo, afirma que este modelo ha sido aplicado en otros campos, pero no específicamente en el ámbito de las imágenes de resonancia magnética cerebral.

Teniendo en cuenta las ventajas de dichos modelos, el objetivo del trabajo desarrollado por Rueda es el diseño de dos métodos computacionales para soportar automáticamente los análisis morfométricos, combinando el poder de extracción de regiones relevantes de los modelos de atención visual, junto con la capacidad de incorporación de información a priori de las representaciones escasas.

El primero de estos métodos permite incrementar la resolución de las imágenes de resonancia magnética cerebral automáticamente.

“Como la precisión de cualquier análisis morfométrico está sujeto a la calidad de la información de entrada, una limitación para la precisión de estas medidas se encuentra en la resolución intrínseca de las imágenes adquiridas”, comenta la profesora.

Por esta razón, incrementar la resolución de la imagen (directamente en el proceso de adquisición o como parte del post-procesamiento) es uno de los principales retos en el procesamiento de imágenes médicas.

En el caso de la resolución de las imágenes de resonancia magnética, su acción está limitada por diversas consideraciones físicas, tecnológicas y económicas.

La profesora Rueda propuso un método de súper-resolución, basado en representaciones escasas, el cual ha sido adaptado para incluir fácilmente conocimiento a priori que permita acoplar información de alta y baja frecuencia, generando una versión en alta resolución de una imagen de RM cerebral.

“La idea es que mientras mayor resolución tenga una imagen, más fácil será distinguir los diferentes tejidos que componen el cerebro y los bordes que separan a un tejido de otro. Saber distinguir las delimitaciones o ‘fronteras’ de estas estructuras es importante en la práctica médica”, amplía.

El otro método computacional diseñado por la investigadora Rueda consiste en la extracción de patrones cerebrales por medio de un modelo de atención visual.

Identificación de patrones

En la búsqueda de herramientas computacionales basadas en la imagen para apoyar los procesos de entrenamiento y diagnóstico clínico, los esfuerzos investigativos se han enfocado en la identificación de patrones distintivos y reproducibles, así como en sus relaciones con diagnósticos particulares, para permitir la introducción de interpretabilidad clínica en el análisis de imágenes médicas.

Las enfermedades neurodegenerativas incluyen un amplio rango de desórdenes con diferentes disfunciones neurológicas y evoluciones sin patrones regulares.

“En la actualidad no está completamente disponible un método objetivo que ayude a correlacionar el inicio de los síntomas clínicos con los signos radiológicos, de forma que la interpretación depende completamente de la experiencia del radiólogo. Desde un punto de vista meramente estructural, un problema muy importante es que el análisis clínico no se relaciona directamente con el análisis visual realizado por los radiólogos sobre las imágenes cerebrales”, dice la investigadora.

Según la profesora, a los radiólogos les cuesta mucho cuantificar las diferencias sistemáticas en etapas tempranas de las enfermedades. Los actuales análisis morfométricos automáticos, que pueden realizar esta cuantificación, no permiten una interpretación clínica fácil y útil”.

La propuesta de la experta consiste en el diseño de un método automático de clasificación, que encuentra patrones cerebrales discriminativos asociados a la presencia de patologías. Esto permitiría el análisis de diferencias sistemáticas y de cualquier desorden neurodegenerativo.

Los métodos computacionales propuestos por esta experta se perfilan como herramientas prometedoras para la definición de biomarcadores anatómicos, basados en el análisis visual de patrones y convenientes para el diagnóstico, pronóstico y seguimiento del paciente.