Escudriñan el cerebro con matemáticas, algoritmos e IA

“Es increíble ver cómo funciona el cerebro”, dice Ramón Aranda Campos, quien no estudió el área de las neurociencias, sino en la matemática-computacional; sin embargo, su trabajo e investigación tienen impacto en el conocimiento del cerebro a través de estas herramientas.

“Cuando terminé la licenciatura no conocía nada de este mundo”, relata el ahora Investigador por México, adscrito al Centro de Investigación en Matemáticas A.C. (Cimat). De lo que sí estaba seguro, relata, era de su genuino interés por estudiar el procesamiento de imágenes desde la visión computacional. Ya en su maestría, y con asesoría del investigador Mariano Rivera, descubrió el mundo del cerebro y que su interés en el procesamiento de imágenes podía combinarse con el de las imágenes médicas.

“Fui aprendiendo que, por ejemplo, nosotros los matemáticos no hacemos diagnósticos como tal, más bien ayudamos a los médicos a que tengan mejores análisis de sus imágenes para que puedan realizar un diagnóstico adecuado y correcto”.

“Estudiar el cerebro siempre es algo maravilloso. Conocer cosas tan simples que a veces te preguntas ‘¿cómo será?’, luego lo estudias a través de este tipo de imágenes y dices, ‘¡oh, no!’ (…) A mí me maravilla mucho ir aprendiendo y ver cómo a través de, vamos a llamarles, unas imágenes muy simplistas, puedes obtener muchísima información. Pero los avances en esta área cada vez nos van sorprendiendo más”.

El académico trabaja en el desarrollo de algoritmos para el análisis de “tractografías cerebrales”, con el uso de imágenes de resonancia magnética, en un proceso llamado “pesadas por difusión”, el cual explica en entrevista para Ciencia por México.

AGUA EN EL CEREBRO.

Las imágenes de resonancia magnética “pesadas por difusión” proporcionan información de cómo las partículas de agua se mueven en general, refiere el científico del Cimat. “Cuando hablamos del cerebro, todo lo que es el líquido cefalorraquídeo, contiene partículas de agua en sí. En ese sentido, estas imágenes nos dicen cómo se mueve esa agua”.

Ramón nos pide imaginar, por ejemplo, que tiramos una gota de agua en el océano. ¿Cómo se movería entre el resto del agua? De una forma circular y en cualquier dirección, responde. Ahora, imaginemos que tiramos la gota de agua en un recipiente rectangular. ¿Cómo será la forma que tendrán ese movimiento? Tendrá la forma del recipiente, señala el matemático.

“Lo mismo pasa en el cerebro. Los axones –los cuales conectan y transmiten la información entre las neuronas– que conforman el cerebro al final van creando estructuras y dentro de éstas se encuentra el agua, sus moléculas”.

En ese sentido, agrega, cuando se toma la información con esas imágenes de resonancia magnética, se puede modelar cómo se comportó el agua en los diferentes puntos del cerebro, o más bien pixeles del cerebro, porque estamos hablando de imágenes, aunque en este caso se llaman voxeles.

“Es similar, sólo que en tres dimensiones. Entonces ahí puedes modelar con ecuaciones matemáticas su comportamiento y, a su vez, obtener información de cómo está la estructura del cerebro al observar cómo se movió esa agua”.

Con ello, añade, en la tractografía cerebral se logra estimar la estructura del cerebro a través de estos axones y las conexiones del cerebro.

“Parece confuso, lo sé, pero es de esta manera en que se utilizan las matemáticas y el procesamiento de imágenes hasta llegar, por ejemplo, a esos algoritmos de tractografía cerebral. Lo que hacemos es entrenar los algoritmos para que sepan qué es lo que van a buscar en esos pixeles, en esa imagen, y ya después ser interpretada por los investigadores, los especialistas o los médicos”.

VER ANTES DE ABRIR.

Los investigadores también pueden acceder a otra información a través de los axones, refiere, como de la mielina que se puede modelar con las señales de las imágenes de la resonancia magnética para tratar de hacer mejores estimaciones.

“Y una mejor estimación significa un mejor entendimiento del cerebro, lo que puede aplicarse en muchos aspectos. Por ejemplo, uno muy claro, es la planificación quirúrgica para el cerebro, es decir, cómo planear una buena operación para que puedan extraer un tumor”.

Si se tiene una estimación de cómo está la estructura cerebral de un paciente, puede llevarse a cabo un procedimiento menos dañino o menos invasivo. “En una intervención no significa necesariamente que sea la zona más cercana al tumor, puede ser una más lejana, pero que podría tener menos repercusiones si la operación no sale al 100% exitosa, por poner un ejemplo”.

El objetivo de la tractografía cerebral, enfatiza, es estudiar el cerebro de una manera no invasiva, es decir, estimar lo que está pasando dentro del cerebro de una persona viva. Para lograrlo, Ramón Aranda enfrenta diversos retos, uno de ellos es el tamaño de su objeto de estudio.

Los axones miden 10 micrómetros, lo que equivaldría a cortar un cabello aproximadamente 100 veces, explica. En tanto, las imágenes de resonancia magnética proporcionan información en milímetros, es decir, hay una escala muy grande entre lo que es la realidad y lo que podemos utilizar como información. “Entonces los algoritmos de tractografía cerebral se basan en cómo mejorar, muchas veces utilizando datos sintéticos, esas estimaciones de cómo está la estructura interna del cerebro poniendo algunos supuestos, en sus trayectorias y longitud, aspectos que se pueden modelar también de manera matemática”.

“MACHINE LEARNING”.

Para llevar a cabo su investigación, Aranda Campos, se desarrolla en el área de ciencia de datos, en la cual emplea a su vez técnicas de optimización basadas en “machine learning”, una de las ramas de la Inteligencia Artificial.

Una tractografía “cruda” no es un buen referente para el cometido de los investigadores y médicos, advierte el científico, puesto que las imágenes dan muchos falsos positivos, de conexiones que no existen en realidad en el cerebro. También se conocen estimaciones cerebrales por estudios anatómicos y otros resultados que no aparecen en las tractografías.

“Entonces, a partir de este tipo de cosas, te preguntas ‘¿cómo puedo minimizar el número de falsos positivos?’. Ahí es donde puedes aplicar algoritmos de ‘machine learning’”.

Así, el académico emplea algoritmos de “clusterización” para determinar de cierta medida cuáles podrían ser “outliers”, es decir, datos atípicos que no están representados por las señales de las imágenes de resonancia magnética. “También estamos realizando una investigación con un estudiante de cómo podemos mejorar la tractografía utilizando redes neuronales:

“Nosotros tenemos una ‘streamline’ que simula el camino de un manojo de axones que compone el camino de la estructura cerebral y forma las tractografías. Entonces, con redes neuronales buscamos clasificar cada ‘streamline’ para ver si cumple con ciertas características y poder decir que es válido con cierta probabilidad (…) Es un problema muy difícil, entonces buscamos hacer un filtrado de la información para garantizar que lo que entregamos es, por lo menos, mejor que sólo aplicar el algoritmo de tractografía”.

También trabajan en otro tipo de algoritmos, señala, utilizando ‘deep learning’, es decir, ya no sólo conectar puntitos, sino que, con ayuda de inteligencia artificial, determinar a través de entrenamientos cuál sería la mejor conectividad entre los voxeles de la imagen. “Estamos trabajando en eso, tenemos resultados bastante alentadores, competitivos con el estado del arte en esta área”.

IMPACTO SOCIAL.

Cuando llega a la frontera de este conocimiento “es cuando digo ‘hay un reto bien grande’, en el cual tengo que seguir aportando, mejorando y estudiando la forma de resolverlos. Al iniciarme en esta área pensaba que sólo se trataba de hacer un algoritmo de tractografía, ‘¿y qué hace?’, me pregunté, en seguir estas direcciones e ir conectándolas, algo muy simplista. Pero cuando me fui involucrando encontré que era algo increíble, más si con este tipo de trabajo puedes impactar mucho a la sociedad.

“Las imágenes de resonancia magnética no son muy económicas, pero cada vez son más accesibles a toda la población. Entonces, saber que algún algoritmo puede apoyar para hacer estudios poblacionales y estudios de desarrollo, para ver cómo esto puede impactar, por ejemplo, al aprendizaje o a la mejora de algún tratamiento, es algo increíble, ¿no lo crees?, es muy alentador para continuar trabajando en esta área”.

*Síguenos en nuestras redes, X, FB, IG y Bsky como Somos Cátedras