Las capacidades cognitivas humanas disminuyen con la edad. Y hace ya tiempo que los neurocientíficos saben que parte de este declive se debe a cambios anatómicos en el cerebro. Así que no resulta sorprendente que sea posible encontrar señales de envejecimiento en las imágenes de resonancia magnética del cerebro y hasta determinar una "edad cerebral". La diferencia entre la edad cerebral y la real puede revelar la aparición de trastornos como la demencia.

Pero este análisis requiere tiempo porque los datos de una resonancia magnética requieren un procesamiento muy extenso antes de ser útiles para analizar el envejecimiento de forma automática. Este preprocesamiento incluye eliminar de la imagen los tejidos no cerebrales como el cráneo; clasificar la materia blanca, la materia gris y otros tejidos; y eliminar elementos de imagen, además varias técnicas de procesamiento de datos.

Todos estos pasos pueden requerir más de 24 horas para completarse, lo que supone un grave obstáculo para los médicos que necesitan considerar la edad cerebral de un paciente a la hora de realizar un diagnóstico clínico.

Pero esto acaba de cambiar gracias al trabajo del investigador del King's College de Londres (Reino Unido)  Giovanni Montana y varios compañeros. El equipo ha entrenado una máquina de aprendizaje automático para medir la edad cerebral a partir de datos brutos de resonancia magnética. La técnica tarda segundos en obtener resultados, lo que podría proporcionar a los médicos una idea precisa de la edad cerebral cuando el paciente aún está dentro de la máquina. 

Para ello, el sistema se basa en una técnica estándar de aprendizaje profundo. El equipo de Montana emplea imágenes de resonancia magnética cerebral de más de 2.000 personas sanas de entre 18 y 90 años de edad. Ninguna de ella padecía de ningún tipo de trastorno neurológico que pudiera influir en su edad cerebral. Así que su edad cerebral debería corresponder a su edad cronológica.

Cada imagen es un escaneo estándar de resonancia magnética ponderada al T1, similar a las que producen la mayoría de las máquinas de resonancia magnética modernas. Cada escaneo está etiquetado con la edad cronológica del paciente.

El equipo utilizó el 80% de estas imágenes para entrenar una red neuronal convolucional para determinar la edad de una persona a partir de su escaneo cerebral. Y el otro 20% de imágenes se empleó para validar este proceso. Por último, la testearon con otras 200 imágenes que la máquina no había visto anteriormente para determinar su precisión.

Al mismo tiempo, el equipo comparó su técnica con el método convencional para determinar la edad cerebral. Esto requiere un exhaustivo procesamiento de imágenes para identificar, entre otras cosas, la materia blanca y gris dentro del cerebro seguido por un análisis estadístico llamado krigeaje.

Los resultados son interesantes. Tanto el aprendizaje profundo como el método convencional determinan con precisión la edad cronológica de los pacientes cuando se les proporciona datos preprocesados para analizar. Ambos métodos lo logran con un margen de error de menos de cinco años.

Sin embargo, el aprendizaje profundo demuestra una clara superioridad cuando analiza datos brutos de resonancia magnética, donde rinde igual de bien y proporciona la edad correcta con un margen de error medio de 4,66 años. En contraste, el método estándar de krigeaje demuestra un rendimiento pobre en esta prueba, pues proporciona edad aproximada con un margen de error medio de casi 12 años.

Además, el análisis mediante aprendizaje profundo tarda tan sólo unos pocos segundos frente a las 24 horas de preprocesamiento requerido para el método estándar. El único procesamiento de datos requerido para la máquina de aprendizaje profundo consiste en asegurar la coherencia de la orientación de la imagen y las dimensiones de los vóxeles entre imágenes.

Eso tiene importantes implicaciones para los médicos. "Dada la implementación correcta de software, los datos de edad cerebral predicha podrían ponerse a disposición del médico mientras el paciente aún está en el escáner", escribe el equipo de Montana.

El equipo también comparó imágenes tomadas por distintos escáneres  para demostrar que la técnica sirve para los distintos tipos de máquinas que existen en el mundo. También compara las edades cerebrales de gemelos para revelar que la edad cerebral está vinculada con factores genéticos. De forma interesante, la correlación disminuye con la edad, lo que sugiere que los factores ambientales se vuelven más importantes con el paso del tiempo. Esto sugiere una prometedora línea de investigaciones futuras.

Es un resultado impresionante que tiene el potencial de influir significativamente en el diagnóstico médico. Existen considerables pruebas de que los trastornos como la diabetes, la esquizofrenia y las lesiones cerebrales traumáticas están relacionadas con un envejecimiento cerebral acelerado. Así que disponer de una estrategia capaz de medir rápidamente el envejecimiento cerebral podría tener un importante impacto sobre sobre estos trastornos en el futuro. "La edad cerebral predicha representa un fenotipo preciso, altamente fiable y genéticamente válido que tiene el potencial de ser utilizado como un biomarcador del envejecimiento cerebral", concluye el equipo de Montana.

Ref: arxiv.org/abs/1612.02572: Predicting Brain Age with Deep Learning from Raw Imaging Data Results in a Reliable and Heritable Biomarker