Herramienta de IA reconstruye los datos faltantes de conectividad cerebral

La resonancia magnética por difusión ayuda a mapear las trayectorias de las fibras nerviosas en el cerebro, pero algunas exploraciones pierden señal en regiones que son importantes para comprender la conectividad. Estos vacíos pueden afectar áreas como el tronco encefálico y la región orbitofrontal, donde las distorsiones del campo magnético pueden borrar datos de imagen y alterar los mapas de conexiones cerebrales.

Esto puede limitar la investigación sobre cómo cambian las conexiones neuronales con el envejecimiento y la enfermedad. Para recuperar estos vacíos, los investigadores han desarrollado un modelo de IA que restaura la información faltante en los mapas de conectividad cerebral.

Investigadores del Instituto de Neuroimagen e Informática Mark and Mary Stevens (Stevens INI) de la Escuela de Medicina Keck de USC (Los Ángeles, CA, EE. UU.) desarrollaron el modelo, llamado FOD-Diffusion. La tecnología se centra en las distribuciones de orientación de las fibras, que consisten en 45 mapas cerebrales tridimensionales enlazados para cada exploración.

FOD-Diffusion restaura un mapa a la vez mientras utiliza información de los mapas restantes y del tejido circundante bien medido para mantener la coherencia de los patrones de fibras reconstruidos.

El equipo entrenó y probó FOD-Diffusion utilizando exploraciones de 1.315 participantes del UK Biobank y 679 participantes del estudio Lifespan Human Connectome Project Aging, ambos grandes estudios que incluyen principalmente a adultos mayores. El modelo se describió en un estudio publicado en Medical Image Analysis el 3 de noviembre de 2026.

Para evaluar la precisión, los investigadores ocultaron deliberadamente secciones del tronco encefálico en exploraciones con una pérdida mínima de señal y pidieron al modelo que reconstruyera la información faltante. En 43 participantes de prueba, las direcciones principales de las fibras generadas por FOD-Diffusion difirieron de los datos originales en unos 1,4 grados de promedio. En comparación, el enfoque de inteligencia artificial con mejor rendimiento entre otros seis difirió en unos 4,5 grados.

Pruebas adicionales evaluaron si el modelo podía corregir la pérdida de señal en regiones comúnmente afectadas por la distorsión. En 1.172 participantes del UK Biobank con pérdida de señal, las herramientas estándar de corrección por sí solas dejaron la información sobre las fibras del tronco encefálico significativamente más débil que en los participantes con pérdida mínima de señal. Tras la restauración con FOD-Diffusion, esa diferencia ya no fue significativa.

Se observaron resultados similares en la región orbitofrontal en 981 participantes. Los trazados del tracto corticoespinal en participantes con pérdida de señal grave también parecían más completos después de la restauración con FOD-Diffusion que con los datos corregidos de forma estándar por sí solos.

Los investigadores destacaron que los datos reconstruidos representan estimaciones informadas, no mediciones recuperadas. Como ninguna exploración de resonancia magnética por difusión en humanos está completamente libre de distorsión, la precisión del modelo se evaluó frente a exploraciones de participantes con pérdida mínima de señal, en lugar de frente a una referencia perfecta.

El enfoque aún requiere pruebas en otros escáneres y configuraciones de imagen y todavía no se ha evaluado para su uso en la atención de pacientes.

“Algunas de las vías más importantes del cerebro atraviesan regiones que han sido especialmente difíciles de visualizar”, dijo Arthur W. Toga, Ph.D., director del Stevens INI. “Al compartir esta herramienta de forma abierta, el equipo está proporcionando a los investigadores una forma de reforzar los análisis de los grandes conjuntos de datos de los que depende el campo”.

Enlaces relacionados
Escuela de Medicina Keck de USC