Investigadores de la Universidad Atlántica de Florida han desarrollado un sistema de inteligencia artificial (IA) capaz de diferenciar, con más del 80% de precisión, entre la enfermedad de Alzheimer y la demencia frontotemporal mediante el análisis de señales de electroencefalograma (EEG).
Este avance podría transformar el diagnóstico de estas enfermedades neurodegenerativas, ofreciendo una alternativa más accesible y precisa.
Los resultados, publicados en la revista Biomedical Signal Processing and Control, señalan que las ondas delta lentas constituyen un biomarcador significativo para Alzheimer y degeneración frontotemporal, especialmente en las regiones frontal y central del cerebro.
El desafío de diagnosticar las demencias
El Alzheimer es la forma de demencia más común, mientras que la demencia frontotemporal es la segunda causa principal de demencia de inicio temprano, afectando a personas entre los 40 y los 60 años.
Ambas condiciones producen un deterioro progresivo de la memoria, el pensamiento y la capacidad para las actividades diarias, aunque afectan áreas distintas del cerebro.
El Alzheimer perjudica principalmente la memoria y la orientación, mientras que la demencia frontotemporal afecta sobre todo la conducta, la personalidad y el lenguaje.
La superposición de síntomas y de señales cerebrales complica el diagnóstico y condiciona el tratamiento y la calidad de vida de los pacientes.
Utilizar el EEG para diagnósticos más accesibles
Según los investigadores, las técnicas más confiables hasta ahora para diferenciar estas enfermedades han sido la resonancia magnética (MRI) y la tomografía por emisión de positrones (PET), pero su uso está limitado por el alto costo y la accesibilidad.
El electroencefalograma (EEG) aparece como una alternativa más económica, portátil y no invasiva para registrar la actividad cerebral mediante sensores. No obstante, la interpretación del EEG es compleja por su variabilidad y el ruido en los datos, lo que reduce su utilidad diagnóstica incluso al aplicar métodos tradicionales de IA.
Un modelo de IA entrenado para captar las señales más sutiles
Para afrontar estas limitaciones, el equipo liderado por Tuan Vo, Hanqi Zhuang, Ali K. Ibrahim y Chiron Bang, de la Facultad de Ingeniería y Ciencias de la Computación de la Universidad Atlántica de Florida, desarrolló un modelo de aprendizaje profundo.
La arquitectura combina redes neuronales convolucionales (CNN) y redes LSTM con mecanismos de atención, lo que permite analizar simultáneamente las características temporales y espaciales de las señales EEG.
Este enfoque detecta patrones sutiles en las ondas cerebrales que escapan a métodos tradicionales y proporciona interpretabilidad al señalar qué señales influyen en las decisiones del sistema.
Precisión y claves para diferenciar las enfermedades
Los investigadores identificaron las ondas delta lentas en las regiones frontal y central como biomarcadores relevantes para ambas enfermedades. En Alzheimer, las alteraciones se extienden además a regiones parietales y temporales y afectan otras bandas de frecuencia, como la beta, lo que sugiere un daño cerebral más generalizado. En la demencia frontotemporal, los cambios son más localizados.
El sistema también estima la gravedad de la enfermedad con errores inferiores al 35% en Alzheimer y al 15,5% en demencia frontotemporal.
Hacia diagnósticos rápidos y personalizados
La selección de características específicas mejoró la especificidad del modelo, elevándola del 26% al 65%.
El modelo alcanzó más del 90% de precisión al distinguir entre personas con distintos tipos de demencia y participantes sanos. Empleando un enfoque en dos pasos —primero detectar a individuos sanos y luego diferenciar entre los dos tipos de demencia— se llegó a una exactitud del 84%, situando el método entre los más efectivos basados en EEG.
Este sistema puede facilitar diagnósticos más rápidos y personalizados, reduciendo la necesidad de pruebas prolongadas y costosas.
Voces del equipo investigador
Tuan Vo, primer autor, destacó la originalidad del trabajo: “Lo novedoso de nuestro estudio es cómo utilizamos el aprendizaje profundo para extraer información tanto espacial como temporal de las señales EEG”. Señaló que el sistema no solo identifica la enfermedad, sino que también estima su gravedad, ofreciendo una perspectiva más completa del estado del paciente.
Hanqi Zhuang, coautor y profesor asociado, explicó: “Nuestros hallazgos muestran que el Alzheimer altera la actividad cerebral de forma más amplia, especialmente en las regiones frontal, parietal y temporal, mientras que la demencia frontotemporal afecta principalmente las áreas frontal y central”. Añadió que esta diferencia facilita la identificación del Alzheimer y que una selección adecuada de características mejora la capacidad de distinguir entre ambas enfermedades.
Stella Batalama, decana de la Facultad de Ingeniería y Ciencias de la Computación, valoró el impacto interdisciplinario del trabajo: “Este estudio demuestra cómo la integración de la ingeniería, la inteligencia artificial y la neurociencia puede transformar la forma en que afrontamos retos importantes en salud”.
