El enfoque basado en computadora ayuda a diagnosticar trastornos neurológicos basados ​​en el deterioro motor



Nuevo enfoque de Heidelberg: análisis de patrones de movimiento a través del aprendizaje automático

La forma en que nos movemos dice mucho sobre el estado de nuestro cerebro. Si bien el comportamiento motor normal apunta a una función cerebral saludable, las desviaciones pueden indicar deficiencias debido a enfermedades neurológicas. La observación y evaluación de los patrones de movimiento es, por tanto, parte de la investigación básica y, además, es uno de los instrumentos más importantes para el diagnóstico no invasivo en aplicaciones clínicas.

Bajo el liderazgo del científico informático Prof. Dr. Björn Ommer y en colaboración con investigadores de Suiza, se ha desarrollado un nuevo enfoque informático en este contexto en la Universidad de Heidelberg. Como han demostrado estudios, entre otros, con personas de prueba humanas, este enfoque permite el reconocimiento completamente automático de las deficiencias motoras y, a través de su análisis, proporciona información sobre el tipo de enfermedades subyacentes con la ayuda de inteligencia artificial.

Para el análisis de movimiento asistido por computadora, los sujetos generalmente deben etiquetarse con marcas reflectantes o se deben aplicar marcadores virtuales al material de video producido en el marco de la evaluación. Ambos procedimientos son comparativamente complicados. Además, el comportamiento de movimiento llamativo debe conocerse de antemano para que pueda examinarse más a fondo.

“Una herramienta de diagnóstico real no solo debería confirmar los trastornos motores, sino también ser capaz de reconocerlos en primer lugar y clasificarlos correctamente”, explica el profesor Ommer, que dirige el grupo de Visión por Computadora en el Centro Interdisciplinario de Computación Científica de la Universidad de Heidelberg.

Precisamente eso es posible gracias al novedoso método de diagnóstico desarrollado por su equipo, y conocido como “análisis de comportamiento no supervisado y magnificación mediante aprendizaje profundo” (uBAM). El algoritmo subyacente se basa en el aprendizaje automático mediante redes neuronales artificiales y reconoce de forma independiente y totalmente automática el comportamiento característico y las desviaciones patológicas, como explica el científico de Heidelberg.

El algoritmo determina qué parte del cuerpo se ve afectada y funciona como una especie de lupa para patrones de comportamiento al resaltar diferentes tipos de desviación directamente en el video y hacerlos visibles. Como parte de esto, el material de video relevante se compara con otros sujetos sanos o igualmente discapacitados. El progreso en el tratamiento de los trastornos motores también se puede documentar y analizar de esta manera. Según el profesor Ommer, también se pueden sacar conclusiones sobre la actividad neuronal en el cerebro.

La base de la interfaz uBAM es la denominada red neuronal convolucional, un tipo de red neuronal que se utiliza especialmente con fines de reconocimiento y procesamiento de imágenes. Los científicos entrenaron a la red para identificar comportamientos de movimiento similares en el caso de diferentes sujetos, incluso a pesar de las grandes diferencias en su apariencia externa.

Eso es posible porque la inteligencia artificial puede distinguir entre postura y apariencia. Además del reconocimiento y la cuantificación de las deficiencias, también es importante un análisis detallado de los síntomas.

Para estudiarlos en detalle, utilizamos una red neuronal generativa. De esa manera, podemos ayudar a los neurocientíficos y médicos a enfocarse en las desviaciones sutiles en el comportamiento motor que probablemente se pasen por alto a simple vista, y hacerlas fácilmente visibles al aumentar la desviación. Entonces podemos demarcar exactamente el tipo de enfermedad en el caso individual “.

Dr. Björn Ommer, Ordenadorescientista y profesor

El equipo de investigación ya ha podido demostrar la eficacia de este nuevo enfoque con la ayuda de diferentes modelos animales y estudios con pacientes humanos. Probaron, entre otras cosas, la precisión con la que uBAM puede diferenciar entre actividad motora sana y deteriorada. En su publicación sobre el tema, los científicos informan una tasa de recuperación muy alta tanto en ratones como en pacientes humanos. “En general, nuestro estudio muestra que, en comparación con los métodos convencionales, el enfoque basado en la inteligencia artificial ofrece resultados más detallados con un esfuerzo significativamente menor”, enfatiza Björn Ommer.

Con respecto a la aplicación, los científicos esperan que uBAM se utilice tanto en la investigación biomédica básica como en el diagnóstico clínico y más allá. Prof. Ommer: “La interfaz se puede aplicar donde los métodos tradicionales resultan demasiado complicados, tediosos o no lo suficientemente eficientes. Potencialmente podría conducir a una mejor comprensión de los procesos neuronales en el cerebro y al desarrollo de nuevas opciones terapéuticas”.

Referencia de la revista:

Brattoli, B., et al. (2021) Ampliación y análisis de comportamiento no supervisado (uBAM) mediante aprendizaje profundo. Inteligencia de la máquina de la naturaleza. doi.org/10.1038/s42256-021-00326-x.

.



Source link