Dos investigadores del Instituto de Neurociencias (IN), centro mixto del Consejo Superior de Investigaciones Científicas (CSIC) y la Universidad Miguel Hernández de Elche (UMH), han desarrollado una nueva estrategia basada en inteligencia artificial y simulaciones computacionales que permite obtener información detallada del cerebro de forma más rápida a partir de resonancias magnéticas con menos datos de los habituales. El método, publicado en la revista Communications Medicine, consigue reducir hasta un 90% el tiempo necesario para ciertas resonancias avanzadas manteniendo un alto nivel de precisión, lo que abre la puerta a una neuroimagen más eficiente y accesible en el entorno clínico.
Este estudio propone un cambio de enfoque en el uso de la inteligencia artificial aplicada a la neuroimagen. En lugar de entrenar los modelos con datos reales de pacientes, como es habitual en muchas aplicaciones actuales, el equipo ha utilizado un modelo basado en la física del proceso de difusión en el tejido cerebral para generar las simulaciones. A partir de estos datos, se entrenan redes neuronales para ajustar parámetros del modelo que actúan como biomarcadores del estado del tejido utilizando un número muy reducido de imágenes de resonancia magnética.
“Reducir el tiempo de adquisición necesario permite incorporar técnicas de resonancia mucho más avanzadas, lo que se traduce en una mayor cantidad de información clínica disponible para el personal médico”, explica la investigadora Silvia De Santis, que lidera el laboratorio Biomarcadores de Imaging Traslacional en el IN CSIC-UMH.
Este enfoque también reduce los sesgos asociados a los conjuntos de datos clínicos tradicionales. “El uso de simulaciones nos permite generar tantos datos como necesitemos, sin depender de la disponibilidad de pacientes y evitando problemas de privacidad”, añade el investigador Maximilian Eggl, que lidera la línea de investigación Biomarcadores de la estructura y función cerebral inspirados en IA en el IN CSIC-UMH.
Menos tiempo de escáner, más información
La metodología se apoya en técnicas avanzadas de resonancia magnética, como la diffusion-weighted MRI, que permite estudiar de forma no invasiva el movimiento del agua en el tejido cerebral y, con ello, obtener información sobre su microestructura. A partir de estas señales, la inteligencia artificial reconstruye detalles del tejido cerebral de manera muy eficiente.
Uno de los resultados más relevantes del trabajo es la reducción drástica del número de mediciones necesarias. “Hemos visto que nuestra red, entrenada completamente con simulaciones, es capaz de obtener una muy alta precisión utilizando solo un 10% de los datos”, señala Eggl. “Esto puede tener un impacto directo en la clínica, especialmente en hospitales con listas de espera muy largas”, añade el investigador.
En la práctica, este avance podría traducirse en una reducción significativa del tiempo de escaneo: “Imagínate pasar de 40 minutos a unos 8 aproximadamente para obtener la misma información. Este procedimiento permitiría aumentar el número de pacientes atendidos en el mismo tiempo y hacer el sistema mucho más eficiente”, coinciden ambos investigadores.
Hacia el diagnóstico precoz en enfermedades neurodegenerativas
El enfoque también abre nuevas posibilidades en el estudio de enfermedades neurodegenerativas como el alzhéimer, que presentan una fase preclínica muy prolongada, de hasta dos décadas, en la que no aparecen síntomas visibles. “El diagnóstico clínico de las patologías degenerativas sigue basándose en técnicas desarrolladas hace más de 30 años, mientras que la incorporación de avances generados en laboratorio continúa siendo un gran desafío. Este nuevo enfoque permitiría obtener información más detallada y, con ello, mejorar el diagnóstico de estas enfermedades”, explica De Santis.
Además, el sistema permite reanalizar datos de resonancia magnética adquiridos hace décadas, que hasta ahora habían quedado limitados por las tecnologías disponibles en su momento. Gracias a la nueva aproximación basada en simulaciones, estos datos pueden reinterpretarse para extraer nueva información relevante sobre enfermedades neurológicas.