Thomas Lucchetta: «Mi idea no es reemplazar al médico, sino mejorar el diagnóstico temprano»

Durante la edición de Nerdearla 2024, un evento que promueve el aprendizaje y la colaboración en la comunidad tecnológica y científica, Thomas Lucchetta, Ssr. Data Scientist en Roostrap, presentó un proyecto con gran potencial para la detección temprana de enfermedades neurodegenerativas. En su charla, explicó el desarrollo de un modelo de inteligencia artificial capaz de detectar Alzheimer a partir de resonancias magnéticas, un avance que podría cambiar la forma en que se diagnostica esta enfermedad en estadios iniciales.

A diferencia de otros proyectos, el enfoque de Lucchetta no nació como una solución para un cliente, sino como un ejercicio de investigación impulsado por el interés personal. «No nació como una solución de negocios, sino que fue un proyecto más de investigación». Sin embargo, su trabajo en Roostrap le permitió contar con los recursos necesarios para llevarlo adelante. «Yo trabajo en Roostrap como científico de datos, y me dieron el lugar para hacerlo», añadió.

Las etapas del desarrollo del modelo

Lucchetta estructuró su charla en tres etapas principales. En la primera parte, detalló la obtención de los datos necesarios para entrenar el modelo, utilizando el repositorio ADNI (Alzheimer’s Disease Neuroimaging Initiative), un recurso que contiene una vasta colección de resonancias magnéticas y datos clínicos de pacientes. Esto permitió que su modelo fuera capaz de analizar imágenes de pacientes en tres estados distintos: personas sanas, personas con deterioro cognitivo leve, y pacientes con Alzheimer.

El siguiente desafío fue el preprocesamiento de esos datos, algo fundamental para que el modelo de inteligencia artificial funcione correctamente. Según explicó, el proceso incluyó tres pasos. Primero, normalizar los datos para que todos estuvieran bajo la misma escala. Luego, eliminar información irrelevante y enfocarse exclusivamente en los datos cerebrales. Finalmente, corregir los errores que pudieran surgir durante las resonancias, como distorsiones causadas por las ondas magnéticas. «Me enfoque en cómo preprocesar los datos y acomodarlos para que todo quede bajo la misma escala», explicó, subrayando que este paso fue crucial para preparar la información adecuadamente antes de aplicar el modelo.

El uso de redes neuronales para clasificar imágenes

En la tercera parte de su presentación, Lucchetta abordó el desarrollo del modelo en sí. Para la clasificación de las imágenes, utilizó redes neuronales convolucionales, un tipo de algoritmo comúnmente empleado en el análisis de imágenes. «Usé redes neuronales convolucionales, que es un tipo de algoritmo dentro de lo que es el machine learning», dijo. Este modelo fue entrenado para clasificar las imágenes de resonancias magnéticas en tres categorías: personas sanas, personas con deterioro cognitivo leve y personas con Alzheimer. Este enfoque es especialmente valioso porque el deterioro cognitivo leve es una fase previa al Alzheimer, y su detección temprana podría mejorar significativamente los tratamientos y la calidad de vida de los pacientes. «Si podemos detectar ese deterioro cognitivo leve es importantísimo, porque detectás con antelación lo que después va a ser Alzheimer», explicó.

Impacto en el sistema de salud

En cuanto a las implicaciones de esta tecnología, Lucchetta cree que su uso a gran escala podría tener un impacto significativo en el sistema de salud, especialmente en lugares como Argentina, donde los recursos médicos a menudo son limitados. «Estaría buenísimo porque detecta el deterioro cognitivo leve, lo que permite mejorar el tratamiento de la persona de forma temprana», afirmó. Este diagnóstico temprano podría permitir que los pacientes comiencen un tratamiento antes de que los síntomas se agraven, lo que retrasaría el avance de la enfermedad. Sin embargo subrayó que «Mi idea no es reemplazar al médico, para nada». En su visión, el modelo serviría como una herramienta complementaria que podría ofrecer un diagnóstico presuntivo antes de la consulta médica.

Desafíos técnicos en el desarrollo

Desarrollar este modelo no estuvo exento de retos técnicos. Uno de los principales desafíos que Lucchetta enfrentó fue el manejo de grandes volúmenes de datos. «Las resonancias descargadas pesaban 54 GB, y cada paso de preprocesamiento generaba la misma cantidad de datos», comentó, subrayando que esto exigía una gran capacidad de almacenamiento y procesamiento. Para optimizar el tiempo de procesamiento, utilizó técnicas de multiprocesamiento en Python, lo que le permitió procesar múltiples imágenes a la vez, aprovechando los núcleos de su computadora. A pesar de estos avances, el preprocesamiento seguía siendo un proceso largo y costoso en términos de recursos.

Otro reto importante fue la adaptación de las redes neuronales (que originalmente están diseñadas para imágenes en 2D) al formato tridimensional de las resonancias magnéticas. «Las resonancias son en 3D porque es el cerebro entero», explicó, destacando que este ajuste fue fundamental para que el modelo pudiera procesar la información de manera adecuada. A pesar de estos obstáculos, Lucchetta logró completar el desarrollo del proyecto en un mes.

Posibles mejoras y futuro del proyecto

Si bien el modelo ya cuenta con una precisión del 86%, Lucchetta cree que es posible mejorarlo aún más. «Se puede mejorar si lo sigo entrenando», afirmó, pero también señaló que esto requeriría más tiempo y recursos, dado que el entrenamiento del modelo es un proceso costoso. Además, mencionó que le gustaría avanzar en el desarrollo de un diagnóstico diferencial, lo que permitiría al modelo distinguir entre enfermedades neurodegenerativas con síntomas similares, como el Alzheimer y la demencia frontotemporal. «Me gustaría que no solo detecte Alzheimer, sino que también empiece a detectar otras enfermedades parecidas», concluyó.