La IA aumenta la detección del TDAH por resonancia magnética

El aprendizaje profundo, un tipo de inteligencia artificial, puede aumentar el poder de la resonancia magnética en la predicción del trastorno por déficit de atención con hiperactividad (TDAH), según un estudio publicado en Radiology: Artificial Intelligence Los investigadores dijeron que el enfoque también podría tener aplicaciones para otras afecciones neurológicas.

El cerebro humano es un conjunto complejo de redes. Los avances en la resonancia magnética funcional, un tipo de imagen que mide la actividad cerebral mediante la detección de cambios en el flujo sanguíneo, han ayudado a mapear las conexiones dentro y entre las redes cerebrales. Este mapa cerebral integral se conoce como el conectoma.

Cada vez más, el conectoma se considera clave para comprender los trastornos cerebrales como el TDAH, una condición que dificulta que una persona preste atención y controle su comportamiento inquieto.

El trastorno aún no se puede diagnosticar definitivamente en un niño individual con una sola prueba o examen de imagen médica. En cambio, el diagnóstico de TDAH se basa en una serie de síntomas y pruebas basadas en el comportamiento.

Parcelaciones cerebrales 

La resonancia magnética cerebral tiene un papel potencial en el diagnóstico, ya que la investigación sugiere que el TDAH resulta de algún tipo de ruptura o interrupción en el conectoma. El conectoma se construye a partir de regiones espaciales, a través de la imagen de la resonancia magnética, conocidas como parcelaciones.

---

"Nuestros resultados enfatizan el poder predictivo del conectoma cerebral"

---

Las parcelaciones cerebrales se pueden definir en función de criterios anatómicos, criterios funcionales o ambos. El cerebro puede estudiarse a diferentes escalas basadas en diferentes parcelaciones cerebrales.

Estudios anteriores se han centrado en el llamado enfoque de escala única, donde el conectoma se construye en base a una sola parcela. Para el nuevo estudio, los investigadores de la Facultad de Medicina de la Universidad de Cincinnati y el Centro Médico del Hospital de Niños de Cincinnati tuvieron una visión más integral. Desarrollaron un método de múltiples escalas que utilizaba múltiples mapas de conectoma basados ​​en múltiples parcelaciones.

Para construir el modelo de aprendizaje profundo, los investigadores utilizaron datos del conjunto de datos 'NeuroBureau ADHD-200'. El modelo usó los datos del conectoma cerebral a escala múltiple de los 973 participantes del proyecto junto con características personales relevantes, como el género y el cociente intelectual.

Mejora de la detección 

El enfoque multiescala mejoró significativamente el rendimiento de detección de TDAH con el uso de un método de escala única.

"Nuestros resultados enfatizan el poder predictivo del conectoma cerebral", ha señalado la autora principal del estudio, Lili He, del Centro Médico del Hospital Infantil de Cincinnati. "El conectoma funcional cerebral construido que abarca múltiples escalas proporciona información complementaria para la representación de redes en todo el cerebro".

Al mejorar la precisión del diagnóstico, el diagnóstico basado en la imagen de la resonancia magnécia con ayuda de aprendizaje profundo podría ser clave para implementar intervenciones tempranas para pacientes con TDAH.

Además, tal y como ha apuntado Lili He, "este modelo puede generalizarse a otras deficiencias neurológicas". "Ya lo usamos para predecir la deficiencia cognitiva en los bebés prematuros. Los escaneamos poco después del nacimiento para predecir los resultados del desarrollo neurológico a los dos años de edad".