Un hito en el diagnóstico de enfermedades neurodegenerativas ha sido anunciado por investigadores de la Universidad Atlántica de Florida. Han desarrollado un innovador sistema de inteligencia artificial (IA) capaz de diferenciar con una asombrosa precisión del 80% entre la enfermedad de Alzheimer y la demencia frontotemporal, basándose en el análisis de las señales de electroencefalograma (EEG). Este avance promete democratizar el diagnóstico de estas afecciones.
Los resultados de este estudio, publicados en la prestigiosa revista Biomedical Signal Processing and Control, señalan que las ondas cerebrales delta lentas son un biomarcador crucial para ambas enfermedades, afectando particularmente las zonas frontal y central del cerebro.
El Complejo Reto de Identificar las Demencias
El Alzheimer se erige como la demencia más común, mientras que la demencia frontotemporal se posiciona como la segunda causa principal de demencia de inicio temprano, afectando a personas en la franja etaria de 40 a 60 años. Ambas patologías conllevan un deterioro progresivo de la memoria, las capacidades cognitivas y la autonomía diaria, aunque sus efectos se manifiestan en distintas áreas cerebrales.
Mientras el Alzheimer impacta principalmente la memoria y la orientación, la demencia frontotemporal incide de manera significativa en el comportamiento, la personalidad y el lenguaje. La similitud en sus síntomas y en las señales cerebrales puede complicar enormemente un diagnóstico certero, lo cual repercute directamente en la planificación del tratamiento y la calidad de vida de los afectados.
EEG: Una Alternativa Accesible para el Diagnóstico
Históricamente, métodos como la resonancia magnética (MRI) y la tomografía por emisión de positrones (PET) han sido considerados los más fiables para distinguir entre estas dolencias. Sin embargo, su alto costo y la limitada disponibilidad de estos equipos representan una barrera importante. En este contexto, el electroencefalograma (EEG) emerge como una solución prometedora: es una técnica económica, portátil y no invasiva que registra la actividad eléctrica cerebral. No obstante, la complejidad y variabilidad de las señales EEG, junto con el ruido inherente, han dificultado su aplicación diagnóstica, incluso con el apoyo de la IA tradicional.
Un Modelo de IA Entrenado para Detectar Señales Sutiles
Para solventar estos desafíos, el equipo de investigación, liderado por Tuan Vo, Hanqi Zhuang, Ali K. Ibrahim y Chiron Bang de la Facultad de Ingeniería y Ciencias de la Computación de la Universidad Atlántica de Florida, ha diseñado un sistema de IA de aprendizaje profundo. La arquitectura de este modelo combina redes neuronales convolucionales y redes LSTM con mecanismos de atención, permitiendo un análisis integral de las características temporales y espaciales de las señales EEG.
Esta sofisticada estructura logra identificar patrones cerebrales diminutos, imperceptibles para los métodos convencionales, y además proporciona transparencia al señalar qué señales específicas influyen en la decisión del sistema.
Precisión Clave para Diferenciar Enfermedades
Los hallazgos más significativos revelan que las ondas delta lentas en las áreas frontal y central son marcadores clave para ambas patologías. En el caso del Alzheimer, la afectación se extiende a regiones parietales y temporales, así como a otras bandas de frecuencia (beta), indicando un daño cerebral más difuso. Por contraste, la demencia frontotemporal presenta efectos más localizados. Adicionalmente, el sistema estima la gravedad de la enfermedad con márgenes de error inferiores al 35% en Alzheimer y solo al 15.5% en demencia frontotemporal.
Hacia Diagnósticos Rápidos y Personalizados
La ambigüedad inicial en la diferenciación de estas enfermedades, debido a la similitud de síntomas y señales EEG, ha sido superada gracias a la selección de características específicas, elevando la especificidad diagnóstica del 26% al 65%. El modelo ha demostrado una capacidad superior al 90% para distinguir entre personas con distintos tipos de demencia y participantes sanos. Mediante un enfoque de dos fases —primero, la detección de participantes sanos, y luego, la diferenciación entre los dos tipos de demencia— se ha logrado una precisión general del 84%, consolidando este método como uno de los más efectivos basados en EEG.
Este avance tecnológico abre un horizonte de posibilidades para la implementación de diagnósticos más ágiles y personalizados, reduciendo la dependencia de evaluaciones prolongadas y costosas.
Voces del Equipo Investigador
Tuan Vo, autor principal, destacó la originalidad de su trabajo: «Lo novedoso de nuestro estudio es cómo utilizamos el aprendizaje profundo para extraer información tanto espacial como temporal de las señales EEG», explicó. El científico añadió que este sistema es capaz de detectar patrones cerebrales sutiles asociados al Alzheimer y la demencia frontotemporal, y que el modelo no solo identifica la enfermedad, sino que también estima su gravedad, ofreciendo una visión más completa del estado de cada paciente.
Por su parte, Hanqi Zhuang, coautor y profesor asociado, enfatizó: «Nuestros hallazgos demuestran que el Alzheimer altera la actividad cerebral de forma más amplia, especialmente en las regiones frontal, parietal y temporal, mientras que la demencia frontotemporal afecta principalmente las áreas frontal y central». Zhuang remarcó que esta diferencia explica la mayor facilidad para identificar el Alzheimer y subrayó cómo la cuidadosa selección de características mejora significativamente la capacidad de distinguir entre ambas enfermedades.
Stella Batalama, decana de la Facultad de Ingeniería y Ciencias de la Computación, valoró el profundo impacto de esta investigación: «Este trabajo es un claro ejemplo de cómo la sinergia entre ingeniería, inteligencia artificial y neurociencia puede revolucionar nuestra aproximación a los grandes desafíos de la salud».
Fuente: Infobae