Un sistema de IA diferenció el Alzheimer de la demencia frontotemporal con 84% de precisión

Un equipo de investigadores de la Universidad Atlántica de Florida desarrolló un sistema de inteligencia artificial (IA) capaz de distinguir con más del 80% de precisión entre la enfermedad de Alzheimer y la demencia frontotemporal a partir del análisis de señales de electroencefalograma (EEG).

El avance promete transformar la manera de diagnosticar este tipo de enfermedades neurodegenerativas, al permitir una identificación más accesible y exacta.

Los hallazgos del estudio, publicados en la revista Biomedical Signal Processing and Control, identificaron que las ondas cerebrales delta lentas representan un biomarcador relevante para la enfermedad de Alzheimer y la degeneración frontotemporal, sobre todo en las áreas frontal y central del cerebro.

El desafío de diagnosticar las demencias

El Alzheimer es la forma más frecuente de demencia, mientras que la demencia frontotemporal es la segunda causa principal de demencia de inicio temprano, afectando a personas entre los 40 y 60 años.

Ambas producen una disminución gradual de la memoria, el pensamiento y la capacidad para realizar tareas cotidianas, pero afectan a distintas áreas.

El Alzheimer deteriora sobre todo la memoria y la orientación, mientras que la demencia frontotemporal impacta en la conducta, la personalidad y el lenguaje.

Los síntomas y las señales cerebrales pueden solaparse, complicando el diagnóstico e influyendo en el tratamiento y la calidad de vida de los pacientes.

Utilizar el EEG para diagnósticos más accesibles

Los investigadores de la universidad de Florida señalaron que, hasta ahora, las técnicas más fiables para diferenciar estas enfermedades han sido la resonancia magnética (MRI) y la tomografía por emisión de positrones (PET), pero requieren equipos costosos y difícil acceso.

Frente a estas barreras, el electroencefalograma (EEG) surge como una opción más económica, portátil y no invasiva, capaz de registrar la actividad cerebral por medio de sensores. Sin embargo, la interpretación de las señales EEG resulta compleja por su variabilidad y por la presencia de ruido en los datos, lo que limita su utilidad diagnóstica incluso aplicando técnicas tradicionales de inteligencia artificial, según ambas fuentes.

Un modelo de IA entrenado para captar las señales más sutiles

Para superar estos obstáculos, 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, diseñó un modelo de inteligencia artificial basado en aprendizaje profundo.

El sistema combina redes neuronales convolucionales y redes LSTM con mecanismos de atención, lo que le permite analizar a la vez las características temporales y espaciales de las señales EEG.

Esta arquitectura logra identificar patrones sutiles de ondas cerebrales que pasan desapercibidos para los métodos tradicionales y ofrece interpretabilidad al indicar qué señales influyen en la decisión del sistema.

Precisión y claves para diferenciar las enfermedades

Entre los principales hallazgos, los investigadores identificaron las ondas delta lentas en las regiones frontales y centrales como biomarcadores relevantes para ambas enfermedades. En el Alzheimer, la alteración se extiende también a regiones parietales y temporales, así como a otras bandas de frecuencia como la beta, lo que indica un daño cerebral más generalizado. Por el contrario, en la demencia frontotemporal los efectos son más localizados.

Además, el sistema estima la gravedad con errores inferiores al 35% en Alzheimer y al 15,5% en demencia frontotemporal.

Hacia diagnósticos rápidos y personalizados

La dificultad para diferenciar ambas enfermedades por la similitud de síntomas y señales EEG se resolvió, en parte, gracias a la selección de características específicas, que aumentó la especificidad desde un 26% hasta un 65%.

El modelo alcanzó una precisión superior al 90% al distinguir entre personas con diferentes tipos de demencia y participantes sanos. El enfoque de dos pasos —primero, identificar a las personas sanas y, luego, distinguir entre los dos tipos de demencia— permitió lograr una exactitud del 84%, situando este método como uno de los más eficaces basados en EEG.

La creación de este sistema abre la puerta a diagnósticos más ágiles y adaptados a cada paciente, reduciendo la necesidad de evaluaciones prolongadas y costosas.

Voces del equipo investigador

Tuan Vo, primer autor, destacó lo original del trabajo: “Lo novedoso de nuestro estudio es cómo utilizamos el aprendizaje profundo para extraer información tanto espacial como temporal de las señales EEG”, explicó.

El científico señaló que este sistema puede detectar patrones cerebrales sutiles asociados al Alzheimer y la demencia frontotemporal, y que el modelo no solo identifica la enfermedad, sino que también estima su gravedad, aportando una visión más completa del estado de cada paciente.

Por su parte, Hanqi Zhuang, coautor y profesor asociado, subrayó: “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”. Zhuang remarcó que esta diferencia explica la mayor facilidad para identificar el Alzheimer y resaltó que la selección acertada 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 de la investigación: “Este trabajo demuestra cómo la integración de la ingeniería, la inteligencia artificial y la neurociencia puede cambiar la manera en que enfrentamos los grandes desafíos de la salud”.