La detección temprana y definitiva del autismo podría conducir a intervenciones más oportunas y mejores resultados.
Los académicos de Stanford han creado un algoritmo que utiliza imágenes de resonancia magnética funcional (fMRI)) para encontrar patrones de actividad neuronal en el cerebro que indiquen autismo.
El novedoso algoritmo, impulsado por los recientes avances en inteligencia artificial (IA), también predice con éxito la gravedad de los síntomas del autismo en pacientes individuales.
Con más perfeccionamiento, el algoritmo podría conducir a diagnósticos más tempranos, terapias más específicas y una comprensión más amplia de los orígenes del autismo en el cerebro.
El algoritmo estudia minuciosamente los datos recopilados a través de exploraciones de resonancia magnética funcional (fMRI).
Estos escaneos capturan patrones de actividad neuronal en todo el cerebro.
Al mapear esta actividad a lo largo del tiempo en muchas regiones del cerebro, el algoritmo genera «huellas dactilares» de actividad neuronal.
Aunque son únicas para cada individuo, al igual que las huellas dactilares reales, las huellas dactilares del cerebro comparten características similares, lo que les permite ordenarse y clasificarse.
En el estudio publicado en Biological Psychiatry , el algoritmo evaluó escáneres cerebrales de una muestra en aproximadamente 1100 pacientes.
Con una precisión del 82 %, el algoritmo seleccionó un grupo de pacientes a los que los médicos habían diagnosticado con autismo.
«En este estudio, hemos demostrado que nuestro modelo de ‘huellas dactilares’ del cerebro, impulsado por IA, podría ser una herramienta nueva y poderosa para avanzar en el diagnóstico y el tratamiento». dice el autor principal Kaustubh Supekar , profesor asistente clínico de psiquiatría y ciencias del comportamiento de Stanford y profesor afiliado de Stanford HAI.
El autismo carece de biomarcadores objetivos, medidas que revelan la presencia de una condición médica.
El diagnóstico se basa en la observación de los comportamientos de los pacientes, que naturalmente son muy variables y, por lo tanto, hacen que el diagnóstico sea un desafío.
«Necesitamos crear biomarcadores objetivos para el autismo», dice Supekar, «y las huellas dactilares del cerebro nos acercan un paso más».
Al igual que muchos campos científicos, la investigación del autismo ha adoptado el enfoque de los grandes datos, donde surgen conocimientos, que antes no se podían obtener, a partir del análisis de grandes muestras y estadísticamente poderosas, Big Data.
El nuevo estudio reúne escáneres cerebrales de centros médicos de todo el mundo en un conjunto de datos gigantescos, demográficos y geográficamente diversos.
El siguiente paso fue analizar y manejar de manera efectiva la complejidad y variabilidad de los datos, utilizaron los algoritmos de reconocimiento de imágenes, desarrollados por empresas de tecnología.
Al derivar sus algoritmos de reconocimiento de imágenes, buscaron hacer que la inteligencia artificial fuera explicable o comprensible para los investigadores.
En los últimos años, los investigadores se han centrado en crear IA explicable, o XAI, en contraste con los sistemas de IA convencionales que pueden producir resultados de calidad, pero no de manera evidente.
Para el algoritmo de toma de huellas dactilares del cerebro, Supekar y sus colegas diseñaron un modelo matemático simple que evalúa las interacciones e interconectividades regionales del cerebro.
El algoritmo XAI se basó en tres regiones del cerebro que presentan diferencias significativas en la interconectividad en una porción agrupable del conjunto de datos.
Dando la credibilidad a los hallazgos del algoritmo XAI, esas tres regiones del cerebro han estado previamente implicadas en la patología del autismo.
Las regiones son: el córtex cingulado posterior y el precúneo, que forman parte de la red de modo predeterminado (DMN), especialmente activa durante los períodos de descanso/ despierto; la corteza prefrontal dorsolateral y ventrolateral, implicadas en el control cognitivo; y el surco temporal superior, involucrado en el procesamiento de los sonidos de las voces humanas.
En particular, las interrupciones en la DMN sirvieron como fuertes predictores de la gravedad de los síntomas del autismo en la población estudiada.
Se deberá mejorar su precisión para elevar las huellas dactilares cerebrales al nivel de un biomarcador definitivo.
Prevén que las huellas¨ dactilares cerebrales¨ se utilicen para evaluar los cerebros de niños muy pequeños, quizás desde los 6 meses o un año, que tienen un alto riesgo de desarrollar autismo.
El diagnóstico temprano es fundamental para lograr mejores resultados, ya que las terapias demuestran ser más efectivas cuando los pacientes son niños pequeños en comparación con una etapa más avanzada de la niñez.
Los hallazgos, replicados en cohortes independientes, revelan sólidas huellas dactilares cerebrales funcionales individualizadas en la psicopatología del autismo, pudiendo conducir a una caracterización fenotípica más objetiva y precisa y a tratamientos específicos.