El diagnóstico precoz de la enfermedad de Alzheimer es extremadamente importante, ya que los tratamientos e intervenciones son más efectivos al inicio de la enfermedad. A pesar de que se ha relacionado el proceso de la enfermedad con cambios en el metabolismo, como lo demuestra la captación de glucosa en ciertas regiones del cerebro, sigue siendo un reto ya que estos cambios pueden ser difíciles de reconocer.
No obstante, las diferencias en el patrón de captación de glucosa en el cerebro son muy sutiles y difusas, señala Jae Ho Sohn, de la Universidad de California-San Francisco (EE.UU.), y autor del estudio que se publica en "Radiology". "Las personas son buenas para encontrar biomarcadores específicos de enfermedades, pero los cambios metabólicos representan un proceso más global y sutil".
En colaboración con Benjamin Franc, Sohn y su equipo multidisciplinar se propusieron aplicar el ‘aprendizaje profundo’, un tipo de IA en el que las máquinas aprenden con el ejemplo, al igual que los humanos, para encontrar cambios en el metabolismo cerebral predictivo de la enfermedad de Alzheimer.
Los investigadores entrenaron el algoritmo de aprendizaje profundo en una tecnología de imagen especial conocida como tomografía por emisión de positrones con 18-F-fluorodeoxiglucosa (FDG-PET). En una exploración de FDG-PET, FDG, un compuesto de glucosa radiactivo, se inyecta en la sangre. Las tomografías PET pueden medir la captación de FDG en las células del cerebro, un indicador de la actividad metabólica.
El siguiente paso incluye entrenar el algoritmo de aprendizaje profundo para buscar patrones asociados con la acumulación de proteínas beta-amiloides y tau, grupos de proteínas anormales y ovillos en el cerebro que son marcadores específicos de la enfermedad de Alzheimer, al
