Inteligencia artificial para detectar y localizar en tiempo real ataques epilépticos
Unos investigadores de la Universidad de Washington en la Escuela de Ingeniería McKelvey de St. Louis han combinado inteligencia artificial con teoría de sistemas para desarrollar una forma más eficiente de detectar e identificar con precisión un ataque epiléptico en tiempo real. Sus resultados se publicaron en la revista Scientific Reports.
La investigación se realizó en el laboratorio de Jr-Shin Li y fue dirigida por Walter Bomela. También formaban parte del equipo Shuo Wang, antiguo alumno de Li y ahora profesor asistente de la Universidad de Texas en Arlington, y Chu-An Chou de la Universidad Northeastern.
«Nuestra técnica nos permite obtener los datos en bruto, procesarlos y extraer una característica que es más útil para que la utilice el modelo de aprendizaje automático«, dijo Bomela. «La mayor ventaja de nuestro enfoque es fusionar las señales de 23 electrodos en un parámetro, que así puede ser procesado eficientemente y con mucho menos recursos de computación».
En la ciencia de la neurología, se piensa actualmente que la mayoría de los ataques ocurren cuando la actividad normal del cerebro se ve interrumpida por un fuerte y repentino disparo hipersincronizado de un grupo de neuronas. Durante una convulsión, si una persona está conectada a un electroencefalograma (un dispositivo conocido como EEG que mide las señales eléctricas) la actividad cerebral anormal se presenta como descargas de picos y ondas amplificadas.
«Pero la precisión en la detección de los ataques no es tan buena cuando se utilizan señales de EEG temporales», dijo Bomela. El equipo desarrolló una técnica de inferencia en red para facilitar la detección de un ataque y señalar su ubicación con mayor precisión.
Durante una sesión de EEG, la persona tiene electrodos conectados a diferentes puntos de su cabeza, cada uno registrando la actividad eléctrica alrededor de ese punto. «Tratamos los electrodos del EEG como nodos de una red. Utilizando las grabaciones (datos de series temporales) de cada nodo, desarrollamos un método basado en los datos para inferir las conexiones que varían en el tiempo en la red o las relaciones entre los nodos», dijo Bomela. En lugar de mirar únicamente los datos del EEG – los picos y las fuerzas de las señales individuales – la técnica de red considera las relaciones. «Queremos inferir cómo una región del cerebro está interactuando con otras», dijo. Es la suma de estas relaciones lo que forma la red.
Una vez que se tiene una red, se pueden medir sus parámetros de forma holística. Por ejemplo, en lugar de medir la fuerza de una sola señal, se puede evaluar la fuerza de toda la red. Hay un parámetro, llamado valor propio de Fiedler, que es de particular utilidad. «Cuando ocurra un ataque, verás que este parámetro empieza a aumentar», dijo Bomela.
Y en la teoría de redes, el valor propio de Fiedler también está relacionado con la sincronicidad de una red… cuanto mayor sea el valor, más sincronizada estará la red. «Esto concuerda con la teoría de que durante la convulsión, la actividad cerebral está sincronizada«, dijo Bomela.
Un sesgo hacia la sincronización también ayuda a eliminar los artefactos y el ruido de fondo. Si una persona, por ejemplo, se rasca el brazo, la actividad cerebral asociada será captada en algunos electrodos o canales de EEG. Sin embargo, no se sincronizará con la actividad de las convulsiones. De esa manera, esta estructura de red reduce inherentemente la importancia de las señales no relacionadas; solo las actividades cerebrales que estén sincronizadas causarán un aumento significativo del valor propio de Fiedler.
Actualmente esta técnica funciona para un paciente individual. El siguiente paso es integrar el aprendizaje automático para generalizar la técnica a la hora de identificar diferentes tipos de ataques en los pacientes.
La idea es aprovechar varios parámetros que caracterizan la red y usarlos como características para entrenar el algoritmo de aprendizaje automático.
Bomela compara la forma en que esto funcionará con el software de reconocimiento facial, que mide diferentes rasgos – ojos, labios, etc. – generalizando a partir de esos ejemplos para reconocer cualquier rostro.
«La red es como una cara», dijo. «Puedes extraer diferentes parámetros de la red de un individuo — como el coeficiente de agrupamiento o la centralidad de la cercanía — para ayudar al aprendizaje automático a diferenciar entre diferentes ataques».
Eso es porque en la teoría de redes, las similitudes en parámetros específicos están asociadas con redes específicas. En este caso, esas redes corresponderán a diferentes tipos de convulsiones.
Un día, una persona con un trastorno convulsivo podrá usar un dispositivo análogo a una bomba de insulina. A medida que las neuronas empiecen a sincronizarse, el dispositivo administrará medicamentos o interferencias eléctricas para detener la convulsión en marcha.
Pero antes de que esto pueda suceder, los investigadores necesitan comprender mejor la red neuronal. «Si bien el objetivo final es perfeccionar la técnica para su uso clínico, en este momento nos centramos en el desarrollo de métodos para identificar las convulsiones como cambios drásticos en la actividad cerebral», dijo Li. «Estos cambios se capturan tratando el cerebro como una red en nuestro método actual». (Fuente: NCYT Amazings)
