La detección de las enfermedades neurodegenerativas es relevante a la hora de poder tratarlas a tiempo. Es por ello que un equipo liderado por el académico de la PUCV, Carlos Milovic, trabaja en la creación de algoritmos basados en modelos físicos e inteligencia artificial para mejorar la calidad de las imágenes de la toma de exámenes de resonancia magnética.
El objetivo es dilucidar los cambios de las composiciones químicas de los tejidos del cerebro y así potenciar el tratamiento y la detección de enfermedades como el Alzheimer, Parkinson y la Esclerosis Múltiple.
Carlos Milovic, investigador de la Escuela de Ingeniería Eléctrica de la PUCV se adjudicó el proyecto Fondecyt llamado “Robust, Accurate, and Fast Quantitative Susceptibility Mapping with a Hybrid Deep Learning Approach” o en español “Mapeo de susceptibilidad cuantitativa robusto, preciso y rápido con un enfoque híbrido de aprendizaje profundo” para llevar a cabo el estudio.
El académico puntualizó que es posible medir los cambios que ocurren en los tejidos del cerebro calculando mapas de susceptibilidad magnética, sin embargo, hasta el momento resultan imprecisos y son sensibles a errores en los datos.
“Los tejidos se pueden clasificar en diamagnéticos si contienen calcificaciones, repelen o se oponen al campo magnético del equipo, y en paramagnético si atraen o refuerzan el campo magnético. La presencia o acumulación de hierro también juega un rol muy importante en procesos de envejecimiento y en la aparición de enfermedades neurodegenerativas que podríamos ver en las imágenes, pero el problema está en que las fotografías de estos mapas resuelven un problema denominado mal comportado, este tipo de problemas generan indeterminaciones y son muy vulnerables a errores porque existen infinitas configuraciones, el desafío es encontrar el mapa que más se acerca a la realidad”, explicó Milovic.
“Por eso es que estamos creando nuevos algoritmos que mezclan técnicas clásicas basadas en modelos físicos con redes neuronales de Inteligencia Artificial para evitar errores y mejorar la calidad y robustez de los mapas de susceptibilidad. También se busca hacer que este cálculo sea más simple para facilitar su uso en la práctica clínica”, indicó el académico.
En la actualidad, otros algoritmos que están siendo testeados ocupan muchos recursos computacionales y en consecuencia son muy lentos de procesar, así también nuevas tecnologías basadas en Inteligencia Artificial han tratado de resolver este problema para aumentar la rapidez y la robustez, sin embargo “hemos podido ver cómo estos algoritmos alucinan muy frecuentemente, arrojan resultados inciertos e imprecisos es las imágenes médicas, lo que es muy grave porque pueden eliminar una patología, crearla o desplazar las estructuras cerebrales impidiendo su uso para navegación prequirúrgica”, recalcó el investigador PUCV.
Las pruebas iniciales se están llevando a cabo en simultáneo en el Centro de Imágenes Biomédicas de la Pontificia Universidad Católica de Chile, en la Universidad Médica de Graz, Austria y en University College London, Reino Unido.
“Al mejorar nuestra capacidad para obtener mapas de susceptibilidad confiables será posible obtener biomarcadores que permitan el diagnóstico temprano de enfermedades, detener los procesos de neurodegeneración o incluso revertirlos a tiempo y también descubrir procesos de declinación cognitiva. A medida que la esperanza de vida de la población en Chile y el mundo aumenta, el diagnóstico temprano y estudio de estas enfermedades se vuelve cada vez más importante”, finalizó el académico.
Por Camila Rojas
Dirección de Comunicación Estratégica
