En Valencia, un innovador método de inteligencia artificial promete mejorar significativamente la exploración radiológica de enfermedades neurológicas. Seis instituciones de investigación, incluida la Universitat de València (UV), han desarrollado un procedimiento que optimiza las exploraciones de resonancia magnética (RM) del cerebro, permitiendo que sean más simples, rápidas y de mayor calidad. Esto facilitará considerablemente el diagnóstico de enfermedades neuronales, según un comunicado de la UV.
Publicado en la revista “Imaging Neuroscience”, este método resalta claramente las lesiones vinculadas a afecciones como el Alzheimer, la esclerosis múltiple y los tumores cerebrales. La técnica emplea una red neuronal profunda en 3D para generar imágenes T2, las cuales son sensibles a la presencia de agua y permiten detectar edemas, inflamaciones o isquemias, a partir de imágenes T1 que ofrecen una visión detallada de la anatomía cerebral. Así, mientras las imágenes T1 revelan la estructura anatómica, las T2 y FLAIR destacan posibles alteraciones patológicas.
La coordinación del estudio estuvo a cargo de José V. Manjón, del grupo Medical Image Analysis del Instituto ITACA de la Universitat Politècnica de València (UPV), en colaboración con el Departamento de Psicobiología de la UV, el de Matemática Aplicada de la UPV, el Hospital Universitario y Politécnico La Fe, la Fundación para el Fomento de la Investigación Sanitaria y Biomédica de la Comunidad Valenciana (FISABIO-CIPF), el Centro Nacional para la Investigación Científica de Francia y la Universidad de Burdeos.
El Departamento de Psicobiología de la UV, trabajando junto a expertos en informática médica, han aportado una perspectiva neuropatológica crucial para el correcto etiquetado de las imágenes procesadas por los algoritmos. Marien Gadea, investigadora especializada en neuropsicología y neuroimagen, explicó que este método utiliza técnicas de aprendizaje semisupervisado con el etiquetado de las imágenes evaluado por expertos.
El sistema emplea un enfoque de aprendizaje supervisado que combina un número limitado de imágenes médicas etiquetadas con un gran volumen de imágenes sin etiquetar, permitiendo el entrenamiento de modelos poderosos sin una base de datos completamente anotada. Según Gadea, la experiencia de médicos, neurobiólogos, biólogos y anatomistas es fundamental en la toma de decisiones sobre el etiquetado de imágenes, pues ayudan a esclarecer dudas razonables del ámbito anatómico y clínico real.
Este método amalgama conocimientos anatómicos, estrategias de entrenamiento específicas y un enfoque semisupervisado que potencia su aplicabilidad en diferentes pacientes y escáneres, superando técnicas de segmentación cerebral avanzadas incluso en casos complejos. Los resultados son generados en segundos, facilitando su uso en hospitales.
Sergio Morell, autor principal del estudio, subrayó que: “En una exploración de RM, cada tipo de imagen ofrece información distinta del cerebro, pero obtenerlas todas alarga la prueba y encarece el proceso. Nuestro sistema permite generar las imágenes que faltan a partir de las ya adquiridas, reduciendo tiempos y recursos”.
El siguiente desafío del equipo de investigación es aplicar la técnica a otras secuencias como FLAIR, una variante que elimina la señal del líquido cefalorraquídeo y resalta claramente lesiones asociadas a dolencias como el Alzheimer, la esclerosis múltiple y los tumores cerebrales. El estudio ha sido financiado por el Ministerio de Ciencia, Innovación y Universidades de España y la Agencia Nacional de Investigación de Francia, y forma parte de un proyecto mayor codirigido por Marien Gadea y José V. Manjón.
