Un enfoque basado en IA reduce un 90% el tiempo de las resonancias cerebrales

Los largos tiempos de adquisición de imágenes para resonancia magnética cerebral avanzada pueden limitar el acceso, aumentar las listas de espera e interrumpir los flujos de trabajo clínicos. Reducir los requisitos de datos sin sacrificar la fidelidad de la imagen sigue siendo una barrera técnica persistente. Los protocolos más rápidos son especialmente relevantes para los pacientes que no toleran exploraciones prolongadas.

Para abordar este desafío, los investigadores han desarrollado un enfoque basado en simulaciones e inteligencia artificial que reconstruye la información microestructural del cerebro utilizando muchos menos datos.

Investigadores del Instituto de Neurociencias (IN), centro conjunto del Consejo Superior de Investigaciones Científicas (CSIC) y la Universidad Miguel Hernández de Elche (UMH; Elche, España), presentan una estrategia que entrena redes neuronales exclusivamente con señales de difusión simuladas por ordenador. El método está diseñado para estimar parámetros del modelo que funcionan como biomarcadores tisulares a partir de un número muy reducido de imágenes ponderadas por difusión. El trabajo se centra en la resonancia magnética cerebral y tiene como objetivo aumentar la información clínica disponible a partir de exploraciones más cortas.

En lugar de depender de grandes conjuntos de datos clínicos, este enfoque utiliza un modelo físico de difusión de agua en el tejido cerebral para generar datos de entrenamiento. La inteligencia artificial reconstruye entonces características microestructurales detalladas a partir de las señales resultantes. Al desvincular el entrenamiento de la disponibilidad de pacientes, el método busca minimizar el sesgo del conjunto de datos y evitar problemas de privacidad.

El estudio indica que ciertas resonancias magnéticas avanzadas podrían acortarse hasta en un 90 % manteniendo una alta precisión. La red logró un nivel de precisión muy alto utilizando solo el 10 % de los datos de difusión habituales. En la práctica, el tiempo para obtener información equivalente podría reducirse de unos 40 minutos a aproximadamente 8, lo que podría ayudar a los hospitales a reducir las largas listas de espera.

El estudio se publicó en Communications Medicine. Este enfoque también abre la posibilidad de investigar precozmente enfermedades neurodegenerativas como la enfermedad de Alzheimer, que puede tener una fase preclínica de hasta dos décadas. Además, el sistema permite reanalizar conjuntos de datos de resonancia magnética antiguos para extraer nueva información sobre enfermedades neurológicas.

“Reducir el tiempo de adquisición necesario permite incorporar técnicas de resonancia magnética mucho más avanzadas, lo que se traduce en una mayor cantidad de información clínica disponible para el personal médico”, afirmó Silvia De Santis, quien dirige el Laboratorio de Biomarcadores de Imagen Traslacional en el IN CSIC-UMH.

“Hemos demostrado que nuestra red, entrenada exclusivamente con simulaciones, puede alcanzar un nivel de precisión muy alto utilizando solo el 10 % de los datos. Esto podría tener un impacto directo en entornos clínicos, especialmente en hospitales con largas listas de espera”, declaró Maximilian Eggl, quien dirige la línea de investigación de biomarcadores de la estructura y función cerebral inspirada en la IA en el IN CSIC-UMH.

Enlaces relacionados:
Universidad Miguel Hernández