VALÈNCIA, 27 May. – Dos investigadores del Instituto de Neurociencias (IN), un centro mixto del Consejo Superior de Investigaciones Científicas (CSIC) y la Universidad Miguel Hernández de Elche (UMH), han desarrollado una innovadora estrategia basada en inteligencia artificial y simulaciones computacionales. Esta metodología permite obtener información detallada del cerebro de forma más rápida, reduciendo la cantidad de datos necesarios en las resonancias magnéticas.
El método, que se ha publicado en la revista Communications Medicine, puede reducir hasta un 90 % el tiempo requerido para realizar ciertas resonancias avanzadas, manteniendo al mismo tiempo un alto nivel de precisión. Esto abre la puerta a una neuroimagen más eficiente y accesible en entornos clínicos.
Este estudio propone un cambio en el enfoque del uso de la inteligencia artificial aplicada a la neuroimagen: a diferencia de lo habitual, que consiste en entrenar modelos con datos reales de pacientes, el equipo ha desarrollado un modelo basado en la física del proceso de difusión en el tejido cerebral, generando simulaciones para su entrenamiento.
A partir de las simulaciones, se entrenan redes neuronales que ajustan parámetros del modelo, actuando como biomarcadores del estado del tejido con solo un número reducido de imágenes de resonancia magnética.
Según la investigadora Silvia De Santis, quien lidera el laboratorio Biomarcadores de Imaging Traslacional en el IN CSIC-UMH, «reducir el tiempo de adquisición necesario permite incorporar técnicas de resonancia mucho más avanzadas, lo que se traduce en más información clínica disponible para el personal médico». Este enfoque también ayuda a disminuir los sesgos derivados de los conjuntos de datos clínicos tradicionales.
El investigador Maximilian Eggl, que lidera la línea de investigación sobre biomarcadores de la estructura y función cerebral inspirados en inteligencia artificial en el IN CSIC-UMH, añadió: «El uso de simulaciones nos permite generar tantos datos como necesitemos, sin depender de la disponibilidad de pacientes y evitando problemas de privacidad».
Menos tiempo de escáner, más información
La metodología se fundamenta en técnicas avanzadas como la resonancia magnética ponderada por difusión, que permite estudiar de manera no invasiva el movimiento del agua en el tejido cerebral, obteniendo información sobre su microestructura. A partir de estas señales, la inteligencia artificial reconstruye eficientemente los detalles del tejido cerebral. Uno de los hallazgos más significativos del trabajo es la drástica reducción en el número de mediciones necesarias.
«Nuestra red, entrenada completamente con simulaciones, es capaz de alcanzar una altísima precisión utilizando solo un 10 % de los datos», comentó Eggl. «Esto puede impactar directamente en la clínica, especialmente en hospitales con largas listas de espera».
Este avance podría traducirse en una reducción significativa del tiempo de escaneo. «Imagina pasar de 40 minutos a unos 8 aproximadamente para obtener la misma información. Este procedimiento aumentaría el número de pacientes atendidos en el mismo lapso, haciendo el sistema mucho más eficiente», afirmaron ambos investigadores.
Este nuevo enfoque también abre posibilidades para el estudio de enfermedades neurodegenerativas, como el Alzheimer, que pueden tener una fase preclínica prolongada de hasta dos décadas sin síntomas visibles.
«El diagnóstico clínico de patologías degenerativas aún se basa en técnicas desarrolladas hace más de 30 años, y la incorporación de avances de laboratorio sigue siendo un gran desafío. Este nuevo enfoque permitiría obtener información más detallada y, por ende, mejorar el diagnóstico de estas enfermedades», concluyó De Santis.
El sistema también facilita el reanálisis de datos de resonancia magnética obtenidos hace décadas, los cuales hasta ahora se han visto limitados por la tecnología disponible en ese momento. Gracias a la nueva aproximación basada en simulaciones, estos datos pueden ser reinterpretados para extraer información relevante sobre enfermedades neurológicas.
Este trabajo ha sido posible gracias a la financiación de la Fundación «laCaixa», la Agencia Estatal de Investigación (AEI) del Ministerio de Ciencia, Innovación y Universidades, el Programa Severo Ochoa para Centros de Excelencia, la subvención de la Generalitat Valenciana para la contratación de investigadores doctores de excelencia (Cidegent 2021) y el Pasqual Maragall Researchers Programme (PMRP) de la Fundación Pasqual Maragall.
