Un equipo de investigadores de la Universidad de Osaka y la Universidad de Tokio desarrolló MNet, un sistema de diagnóstico automático de enfermedades neurológicas mediante magnetoencefalografía (MEG), demostrando la posibilidad de realizar diagnósticos automáticos de enfermedades neurológicas utilizando MEG. Los resultados de su investigación se publicaron en Informes científicos .

La MEG y la electroencefalografía (EEG) son fundamentales para el diagnóstico de enfermedades neurológicas como la epilepsia. MEG permite la adquisición de patrones espacio-temporales detallados de la actividad del cerebro humano a través de la medición del campo electromagnético asociado con la actividad neuronal, extraer señales detalladas de series de tiempo de 160 sensores. Aunque la información obtenida de estas pruebas es importante para el diagnóstico, el tiempo y la experiencia son necesarios para leer y analizar, y es posible que se pasen por alto patrones de forma de onda anormales.

Red neuronal profunda (DNN), también conocido como aprendizaje profundo, es un subconjunto del aprendizaje automático en inteligencia artificial (IA) y ha llamado la atención en los últimos años como un medio para clasificar datos en varias imágenes, videos, y suena con alta precisión a través de un proceso de aprendizaje automático que utiliza macrodatos.

El sistema de clasificación automático impulsado por IA MNet, que utiliza DNN como marco computacional, se basa en una red neuronal llamada EnvNet (red neuronal convolucional de extremo a extremo para la clasificación de sonidos ambientales) y se puede entrenar para extraer y aprender características de señales de neuroimagen únicas para diversas enfermedades neurológicas a partir de una gran cantidad de datos de neuroimagen de series de tiempo.

El equipo esperaba que el uso de DNN permitiera al sistema aprender las características de las enfermedades neurológicas a partir de muchas señales y clasificar a los pacientes con enfermedades neurológicas con mayor precisión que los métodos convencionales que utilizan formas de onda.

Con MNet, intentaron clasificar los macrodatos de neuroimagen en 140 pacientes con epilepsia, 26 pacientes con lesiones de la médula espinal, y 67 sujetos sanos. El MNet capacitado logró clasificar sujetos sanos y aquellos con las dos enfermedades neurológicas con una precisión de más del 70 por ciento y pacientes con epilepsia y sujetos sanos con una precisión de casi el 90 por ciento. La precisión de la clasificación fue significativamente mayor que la obtenida por una máquina de vectores de soporte (SVM), un método de aprendizaje automático general convencional basado en formas de onda (potencias de banda relativas de la señal de EEG). Avanzando esta técnica se utilizará para el diagnóstico de diversas enfermedades neurológicas, evaluación de severidad, pronóstico, y eficacia del tratamiento.

"El aprendizaje automático avanza constantemente, con nuevas técnicas que se desarrollan todo el tiempo. Sin embargo, no importa cuánto avancen los métodos analíticos, si la calidad de los datos subyacentes es deficiente, no se puede hacer una distinción tajante. Llevamos a cabo el proceso de aprendizaje automático utilizando DNN, que procesó macrodatos principalmente del Centro de Epilepsia del Hospital Universitario de Osaka. Nos gustaría aumentar el número y los tipos de enfermedades a diagnosticar sin sacrificar la calidad de los datos para que nuestra técnica sea útil en la práctica clínica. "dice el investigador Jo Aoe de la Universidad de Osaka.