Un sistema de IA diferenció el Alzheimer de la demencia frontotemporal con 84% de precisión

Un equipo de investigadores de la Universidad Atlántica de Florida desarrolló un sistema de inteligencia artificial (IA) capaz de distinguir con más del 80% de precisión entre la enfermedad de Alzheimer y la demencia frontotemporal a partir del análisis de señales de electroencefalograma (EEG).

El avance promete transformar la manera de diagnosticar este tipo de enfermedades neurodegenerativas, al permitir una identificación más accesible y exacta.

Los hallazgos del estudio, publicados en la revista Biomedical Signal Processing and Control, identificaron que las ondas cerebrales delta lentas representan un biomarcador relevante para la enfermedad de Alzheimer y la degeneración frontotemporal, sobre todo en las áreas frontal y central del cerebro.

El Alzheimer es la forma más frecuente de demencia, mientras que la demencia frontotemporal es la segunda causa principal de demencia de inicio temprano, afectando a personas entre los 40 y 60 años.

Ambas producen una disminución gradual de la memoria, el pensamiento y la capacidad para realizar tareas cotidianas, pero afectan a distintas áreas.

El Alzheimer deteriora sobre todo la memoria y la orientación, mientras que la demencia frontotemporal impacta en la conducta, la personalidad y el lenguaje.

Los síntomas y las señales cerebrales pueden solaparse, complicando el diagnóstico e influyendo en el tratamiento y la calidad de vida de los pacientes.

Los investigadores de la universidad de Florida señalaron que, hasta ahora, las técnicas más fiables para diferenciar estas enfermedades han sido la resonancia magnética (MRI) y la tomografía por emisión de positrones (PET), pero requieren equipos costosos y difícil acceso.

Frente a estas barreras, el electroencefalograma (EEG) surge como una opción más económica, portátil y no invasiva, capaz de registrar la actividad cerebral por medio de sensores. Sin embargo, la interpretación de las señales EEG resulta compleja por su variabilidad y por la presencia de ruido en los datos, lo que limita su utilidad diagnóstica incluso aplicando técnicas tradicionales de inteligencia artificial, según ambas fuentes.

El sistema combina redes neuronales convolucionales y redes LSTM con mecanismos de atención, lo que le permite analizar a la vez las características temporales y espaciales de las señales EEG.

Esta arquitectura logra identificar patrones sutiles de ondas cerebrales que pasan desapercibidos para los métodos tradicionales y ofrece interpretabilidad al indicar qué señales influyen en la decisión del sistema.

Entre los principales hallazgos, los investigadores identificaron las ondas delta lentas en las regiones frontales y centrales como biomarcadores relevantes para ambas enfermedades. En el Alzheimer, la alteración se extiende también a regiones parietales y temporales, así como a otras bandas de frecuencia como la beta, lo que indica un daño cerebral más generalizado. Por el contrario, en la demencia frontotemporal los efectos son más localizados.

Los comentarios están cerrados.