MADRID, 25 Abr. (EUROPA PRESS) -
Investigadores chinos han creado un nuevo método de aprendizaje profundo para ayudar en el diagnóstico de las enfermedades parkinsonianas.
Utilizando una red neuronal convolucional profunda en 3D para extraer índices de imágenes metabólicas profundas de las exploraciones PET con 18F-FDG, los científicos pueden diferenciar eficazmente entre la enfermedad de Parkinson y otros síndromes parkinsonianos, como la atrofia multisistémica y la parálisis supranuclear progresiva.
La enfermedad de Parkinson es uno de los trastornos neurodegenerativos más comunes. Según la Fundación del Parkinson, más de 10 millones de personas en todo el mundo padecen esta enfermedad. El diagnóstico preciso de la enfermedad de Parkinson es a menudo un reto, sobre todo en las primeras fases, ya que sus síntomas se solapan considerablemente con los de otros síndromes parkinsonianos atípicos.
"Los estudios muestran que entre el 20 y el 30 por ciento de los pacientes con diagnósticos iniciales de enfermedad de Parkinson demostraron posteriormente tener atrofia multisistémica o parálisis supranuclear progresiva después de un examen patológico. Por lo tanto, el desarrollo de índices precisos para diferenciar entre las enfermedades parkinsonianas es de gran importancia, específicamente con respecto a la determinación de las estrategias de tratamiento", explica Ping Wu, neurorradiólogo del Centro PET del Hospital Huashan (China), uno de los autores del estudio, que se ha publicado en la revista científica 'The Journal of Nuclear Medicine'.
Para lograr este objetivo, los investigadores construyeron una red neuronal convolucional profunda 3D, conocida como Red de Diagnóstico Diferencial del Parkinsonismo (PDD-Net), para identificar automáticamente los índices relacionados con las imágenes que podrían apoyar el diagnóstico diferencial de las enfermedades parkinsonianas. Este método de aprendizaje profundo se utilizó para examinar las imágenes PET parkinsonianas de dos grupos: más de 2.100 pacientes de China y 90 pacientes de Alemania.
"Es importante destacar los pasos que se dieron para mejorar la fiabilidad del estudio. Utilizamos el mayor conjunto de datos de referencia de pacientes parkinsonianos con FDG PET de la base de datos de Huashan Parkinsonian PET Imaging en Shanghai, China, y realizamos extensas pruebas sobre los datos longitudinales. Además, estudiamos la cohorte alemana para incluir datos externos que representan diferentes etnias y protocolos de examen", detalla Wu.
Los índices de imágenes metabólicas profundas extraídos de la PDD-Net proporcionaron un método temprano y preciso para el diagnóstico diferencial de los síndromes parkinsonianos, con altos índices de sensibilidad y especificidad para la enfermedad de Parkinson, la atrofia de sistemas múltiples y la parálisis supranuclear progresiva.
"Este trabajo confirma que la emergente inteligencia artificial puede extraer información en profundidad de las imágenes moleculares para mejorar la diferenciación de la fisiología compleja. La tecnología de aprendizaje profundo puede ayudar a los médicos a maximizar la utilidad de las imágenes de medicina nuclear en el futuro", concluye Wu.
