Herramienta de IA rastrea la eficacia de tratamientos para la esclerosis múltiple mediante RM cerebral

Los marcadores de resonancia magnética (RM) son vitales para estudiar la EM y evaluar la eficacia del tratamiento. Sin embargo, medir estos marcadores requiere diversas exploraciones especializadas por RM, lo que limita la utilidad de los escaneos rutinarios realizados en hospitales. La inteligencia artificial (IA), que utiliza modelos matemáticos para procesar grandes conjuntos de datos y resolver problemas de forma similar al pensamiento humano, ha dado lugar al desarrollo de una nueva herramienta que puede ayudar a evaluar el progreso del tratamiento en pacientes con EM.

La herramienta, llamada MindGlide, fue desarrollada por investigadores del University College London (Londres, Reino Unido) para extraer información crítica de imágenes cerebrales (escáneres de RM) de pacientes con EM, como la medición del daño cerebral, la identificación de cambios sutiles como la atrofia cerebral y la detección de placas. Para crear MindGlide, el equipo entrenó la IA utilizando un conjunto de datos de 4.247 exploraciones por RM de 2.934 pacientes con EM en 592 escáneres de RM. A través de este proceso, MindGlide aprendió a identificar marcadores de la enfermedad.

En un nuevo estudio publicado en Nature Communications, el equipo probó MindGlide en más de 14.000 imágenes de RM de más de 1.000 pacientes con EM. Anteriormente, esta tarea requería que neurorradiólogos expertos interpretaran manualmente escáneres complejos a lo largo de años, y los informes a menudo tardaban semanas debido a la alta carga de trabajo. Sin embargo, MindGlide pudo analizar imágenes en solo cinco a diez segundos y detectar cómo los diferentes tratamientos afectaban la progresión de la enfermedad tanto en ensayos clínicos como en la atención rutinaria utilizando imágenes que antes no se analizaban.

MindGlide superó a otras dos herramientas de IA: SAMSEG, que identifica y delimita diferentes regiones cerebrales en resonancias magnéticas, y WMH-SynthSeg, que detecta y mide las hiperintensidades de la sustancia blanca, importantes para el seguimiento de la EM. En comparación con el análisis clínico de expertos, MindGlide mostró una precisión un 60 % superior a la de SAMSEG y un 20 % superior a la de WMH-SynthSeg en la detección de lesiones o placas cerebrales y la evaluación de la eficacia del tratamiento. Los resultados del estudio demuestran que MindGlide puede identificar y medir con precisión tejidos y lesiones cerebrales clave incluso con datos de RM limitados, como las exploraciones ponderadas en T2 sin FLAIR (una técnica de exploración que resalta los fluidos corporales, pero también incluye señales brillantes que pueden ocultar las placas).

MindGlide también destacó en la detección de cambios en áreas cerebrales más profundas, y sus hallazgos demostraron ser fiables tanto en un momento dado como a largo plazo, como durante las exploraciones anuales de los pacientes. Además, MindGlide corroboró investigaciones previas de alta calidad sobre qué tratamientos eran los más eficaces. Los investigadores esperan que MindGlide se utilice para evaluar tratamientos de la EM en situaciones reales, superando así las limitaciones anteriores asociadas con la dependencia exclusiva de datos de ensayos clínicos, que a menudo no representaban la diversidad completa de los pacientes con EM. Aunque la versión actual de MindGlide se limita al análisis de imágenes cerebrales y no incluye imágenes de la médula espinal, un aspecto clave para evaluar la discapacidad en la EM, futuras investigaciones tienen como objetivo desarrollar una evaluación más integral que abarque tanto el cerebro como la médula espinal.

“Usar MindGlide nos permitirá usar imágenes cerebrales existentes en archivos hospitalarios para comprender mejor la esclerosis múltiple y cómo el tratamiento afecta al cerebro”, afirmó el Dr. Philipp Goebl, primer autor. “Esperamos que la herramienta libere información valiosa de millones de imágenes cerebrales no aprovechadas previamente, que antes eran difíciles o imposibles de interpretar, lo que generará de inmediato información valiosa sobre la esclerosis múltiple para los investigadores y, en un futuro próximo, permitirá comprender mejor la condición del paciente mediante IA en la práctica clínica. Esperamos que esto sea posible en los próximos cinco a diez años”.