Un nou mètode d'intel·ligència artificial millora l'exploració radiològica de malalties neurològiques

   VALÈNCIA, 28 Nov. (EUROPA PRESS) -

   Sis entitats investigadores, entre les quals es troba la Universitat de València (UV), han creat un nou procediment que permetrà realitzar exploracions de ressonància magnètica (RM) del cervell "de forma més senzilla, ràpida i amb més qualitat, facilitant el diagnòstic de patologies neuronals", segons ha informat la institució acadèmica en un comunicat.

   El treball ha sigut publicat en la revista Imaging Neuroscience i permetrà ressaltar amb gran claredat lesiones associades a dolències com l'Alzheimer, l'esclerosi múltiple o els tumors cerebrals.

   Este nou mètode es basa en una xarxa neuronal profunda 3D que genera imatges T2 --molt sensibles a la presència d'aigua, la qual cosa permet detectar edemes, inflamacions o isquemies-- a partir d'imatges T1, que proporcionen una representació anatòmica detallada del cervell i permeten diferenciar amb gran nitidesa la substància blanca de la substància grisa. D'esta manera, les imatges T1 aporten l'estructura, mentre que les T2 i FLAIR ressalten les possibles alteracions patològiques.

   La investigació ha sigut coordinada per José V. Manjón, del grup Medical Image Analysis (MIA-LAB) de l'Institut ÍTACA de la Universitat Politècnica de València (UPV), amb la participació del Departament de Psicobiología (UV), el de Matemàtica Aplicada (UPV), així com l'Hospital Universitari i Politècnic La Fe, la Fundació per al Foment de la Investigació Sanitària i Biomèdica de la Comunitat Valenciana (FISABIO-CIPF), i també el Centre Nacional per a la Investigació Científica de França i la Universitat de Bordeus.

   El Departament de Psicobiología de la UV ha treballat conjuntament amb els especialistes d'informàtica mèdica aportant una visió del substrat neuropatològic per a garantir un correcte etiquetatge de les imatges que seran treballades pels algorismes.

   Marien Gadea, investigadora del departament especialitzada en neuropsicologia i neuroimagen, ha explicat: "Este mètode utilitza tècniques d'aprenentatge semisupervisat en el qual l'etiquetatge previ de les imatges que utilitza el model és sotmès segons el parer de valor per experts".

   El sistema integra informació anatòmica prèvia i empra tècniques d'aprenentatge supervisat, un enfocament d'intel·ligència artificial que combina un reduït nombre d'imatges mèdiques etiquetades per especialistes amb un gran volum d'imatges sense etiquetar. Este fet permet entrenar models potents sense necessitat de disposar de bases de dades completament anotades.

   El personal mèdic, neurobiòleg, biòleg i anatomista és "vital" en la presa de decisions sobre l'etiquetatge de les imatges a través dels algorismes perquè "participen en l'aclariment de dubtes raonables del món anatòmic i clínic real", ha afegit Marien Gadea, experta en les relaciones cervell-conducta. Este fet li proporciona una sòlida formació en l'estudi i investigació d'aquells aspectes del sistema nerviós central (SNC) que tenen major rellevància funcional.

   Este mètode combina coneixements anatòmics reals, estratègies d'entrenament específiques i un enfocament semisupervisat que millora la seua capacitat de generalització en diferents pacients i escáneres. En proves de segmentació cerebral, va superar a les tècniques més avanços disponibles, fins i tot en casos complexos com a cervells amb lesions o gran variabilitat anatòmica. A més, genera els resultats en qüestió de segons, la qual cosa facilita la seua aplicació en entorns hospitalaris.