El uso de la Inteligencia Artificial (IA) está transformando una gran cantidad de aspectos de la vida de las personas. Desde la automatización de procesos hasta asistentes virtuales, pasando por chatbots o el reconocimiento de imágenes, esta herramienta tiene una gran cantidad de aplicaciones, siendo una de ellas es la medicina. En este contexto, la IA está transformando el estudio y la comprensión de las señales cerebrales.
Comprender las señales cerebrales es fundamental para entender determinados desórdenes neurológicos, como la epilepsia o el alzhéimer. Por ello, un equipo de investigación liderado por el Consejo Superior de Investigaciones Científicas (CSIC) ha descrito un conjunto de modelos de aprendizaje automático para detectar y analizar patrones de actividad cerebral mediante IA.
Gracias al estudio de las oscilaciones electroencefalográficas se ha logrado avanzar en la comprensión de la función cerebral. Un tipo de estos ritmos, conocidos como oscilaciones rápidas o ripples, contienen trazas de memoria de las experiencias vividas y se ven afectadas en desórdenes neurológicos. Esto hace que se consideren un biomarcador. Sin embargo, estas oscilaciones presentan diversas formas de onda y propiedades que no pueden caracterizarse por completo con métodos espectrales.
De la Prida: "Los resultados muestran que es posible utilizar datos de roedores para entrenar algoritmos de IA que puedan ser usados en primates si se utilizan las mismas técnicas de registro"
Para la investigación, los investigadores emplearon señales electroencefalográficas obtenidas en ratones de experimentación para el entrenamiento de un banco de modelos de IA, con el objetivo de identificar patrones de actividad. En concreto, buscaban identificar oscilaciones de alta frecuencia.
“Hemos testado estos modelos usando datos de primates no-humanos, obtenidos en colaboración con el laboratorio de Kari Hoffman de la Universidad de Vanderbilt en los EE.UU. (Nashville) como parte de la iniciativa Brain Initiative. Los resultados muestran que es posible utilizar datos de roedores para entrenar algoritmos de IA que puedan ser usados en primates si se utilizan las mismas técnicas de registro. Y posiblemente, por tanto, también se puedan emplear en humanos”, explica Liset M. de la Prida, investigadora del CSIC en el Instituto Cajal.
El banco de modelos IA se ha desarrollado a partir de un hackathon, un evento en el que los programadores compiten de forma colaborativa. Ahora, la herramienta ha sido puesta a disposición de la comunidad científica mediante un software de acceso libre. Los modelos incluyen algunas de las arquitecturas de aprendizaje supervisado más conocidas, como son los vectores de soporte, los árboles de decisión y las redes convolucionales.
“Hemos identificado más de cien modelos posibles en las diferentes arquitecturas que ahora están disponibles para su aplicación o reentrenamiento por parte de otros investigadores”, comentan Andrea Navas Olivé y Adrián Rubio, primeros autores del trabajo. Los neurocientíficos tienen la esperanza de que, con la evolución de las herramientas de IA y las aplicaciones en el campo de las neurotecnologías, se pueda mejorar y estandarizar la detección de patrones críticos de actividad neuronal.
De la Prida: “Este banco de modelos IA encuentra aplicaciones en el ámbito de las neurotecnologías y puede ser de mucha utilidad en la detección y análisis de oscilaciones de alta frecuencia"
“Este banco de modelos IA encuentra aplicaciones en el ámbito de las neurotecnologías y puede ser de mucha utilidad en la detección y análisis de oscilaciones de alta frecuencia en patologías como la epilepsia, donde se consideran marcadores clínicos, o en el alzhéimer, enfermedad en la que se sugiere que hay una afectación similar”, concluye De la Prida, que forma parte de la conexión AI-HUB del CSIC destinada a avanzar el uso de la IA y sus aplicaciones.
Los resultados han sido publicados en la revista Communications Biology, y se enmarcan en los proyectosDeepCode y NeuroSpark, financiados por la Fundación “la Caixa” bajo la dirección de Liset M. de la Prida, investigadora del CSIC en el Instituto Cajal (IC-CSIC).