Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction

El cerebro humano cambia a medida que envejecemos, de forma muy similar al resto del cuerpo, pero estos cambios no ocurren a la misma velocidad para todos. Algunas personas mantienen un cerebro que se ve y funciona como el de una persona mucho más joven, mientras que otras muestran signos de envejecimiento mucho antes de lo que sugiere su certificado de nacimiento. Los científicos han desarrollado una forma de medir esta diferencia, conocida como "edad cerebral". Al alimentar programas informáticos con miles de escaneos cerebrales, enseñan al software a predecir la edad de una persona basándose únicamente en la estructura de su cerebro. Si la computadora supone que una persona es mayor de lo que realmente es, esto sugiere que su cerebro ha envejecido más rápido de lo normal, lo que podría señalar riesgos de salud ocultos. Este concepto se ha convertido en una herramienta poderosa para comprender la salud cerebral, pero su uso efectivo siempre se ha visto bloqueado por un obstáculo importante: la privacidad. Los hospitales no pueden simplemente compartir los escaneos de sus pacientes con otros para construir un mejor modelo, ya que leyes estrictas protegen los datos médicos individuales. Esto crea un dilema donde los mejores modelos requieren cantidades masivas de datos de muchos lugares, pero esos datos no pueden ser trasladados.

Un equipo de investigadores en Francia y Estados Unidos abordó este problema probando un nuevo enfoque llamado aprendizaje federado. En lugar de reunir todos los escaneos cerebrales en un único lugar central, mantuvieron los datos bajo llave dentro de cada uno de los dieciséis hospitales diferentes donde fueron recolectados. Enviaron un programa informático a cada hospital, permitieron que aprendiera de los pacientes locales y luego recuperaron solo las lecciones que el programa aprendió, no los datos de los pacientes en sí. Esto les permitió construir un modelo único y potente que comprendía los matices del envejecimiento cerebral en una población diversa sin violar nunca las reglas de privacidad. Aplicaron este método a un grupo específico de pacientes: 1,674 individuos que habían sufrido un tipo grave de accidente cerebrovascular y recibieron un procedimiento mecánico para despejar la obstrucción en los vasos sanguíneos de su cerebro. Los investigadores querían ver si este método que preserva la privacidad podía estimar con precisión la edad cerebral y, lo que es más importante, si esa estimación podía predecir qué tan bien se recuperaría un paciente de sus funciones diarias tres meses después del accidente cerebrovascular.

El estudio se centró en imágenes tomadas antes de que comenzara cualquier tratamiento, específicamente un tipo de escaneo llamado FLAIR que resalta el líquido y el daño en el cerebro. Los investigadores compararon tres formas diferentes de construir sus modelos de predicción. El primero fue el método tradicional, donde todas las imágenes de los dieciséis centros se agruparon en un solo conjunto de datos gigante. El segundo fue el nuevo método federado, donde el modelo aprendió localmente en cada sitio y compartió solo sus actualizaciones. El tercero fue una prueba de base utilizando datos de un solo hospital para ver cuánto se perdía al ignorar el resto de la red. Los resultados mostraron que, si bien el método tradicional y centralizado producía las suposiciones de edad más precisas, el enfoque federado estaba notablemente cerca detrás y era significativamente mejor que depender de los datos de un solo hospital. Esto demostró que el nuevo método podía capturar la complejidad de un grupo grande y diverso de pacientes sin necesidad de mover un solo archivo de imagen fuera de su hospital de origen.

El verdadero valor de este trabajo, sin embargo, no residía solo en la precisión de las suposiciones de edad, sino en lo que esas suposiciones revelaban sobre la salud de los pacientes. Los investigadores encontraron que la "edad cerebral" calculada por estos modelos estaba fuertemente vinculada a los resultados en el mundo real. Los pacientes cuyos cerebros parecían más viejos de lo que indicaban sus años reales tenían significativamente más probabilidades de padecer diabetes y eran mucho más propensos a tener una recuperación deficiente tres meses después de su accidente cerebrovascular. Por el contrario, los pacientes cuyos cerebros parecían más jóvenes de lo esperado tendían a tener mejores resultados funcionales, lo que significa que tenían más probabilidades de recuperar su independencia. Esta conexión se mantuvo constante, independientemente de si el modelo se construyó con datos centralizados o federados. Incluso cuando los investigadores ajustaron otros factores conocidos, como la gravedad del accidente cerebrovascular, el tiempo que tardaron en recibir el tratamiento y otras condiciones médicas, la estimación de la edad cerebral siguió siendo un fuerte predictor de la recuperación.

El estudio también exploró cómo diferentes tipos de características cerebrales contribuían a estas predicciones. Algunos modelos observaban el volumen general de diferentes regiones cerebrales, mientras que otros examinaban miles de detalles diminutos de textura dentro de la materia blanca del cerebro. Los modelos más complejos que analizaban estos detalles finos tendían a ser más precisos y mostraban un vínculo más fuerte con la recuperación del paciente. Curiosamente, los investigadores descubrieron que la forma específica en que se entrenaba el modelo importaba menos para la visión clínica final que el hecho de que fuera entrenado en un grupo grande y diverso. Ya fuera que el modelo se construyera de forma centralizada o federada, el mensaje central seguía siendo el mismo: un cerebro que parece más viejo de lo que debería es una señal de advertencia para una recuperación difícil. Esto sugiere que el enfoque federado no es solo un recurso técnico para las leyes de privacidad, sino un camino viable para crear herramientas médicas robustas que puedan utilizarse en diferentes hospitales.

Al demostrar que un modelo puede aprender de dieciséis centros diferentes sin haber visto jamás los datos brutos de más de uno a la vez, el estudio ofrece una solución práctica a un cuello de botella importante en la investigación médica. Muestra que los hospitales pueden colaborar para mejorar la atención al paciente y predecir resultados sin comprometer la confidencialidad del paciente. Los hallazgos sugieren que, en el futuro, los médicos podrían utilizar estos modelos seguros para la privacidad para identificar a pacientes con accidentes cerebrovasculares que están en alto riesgo de una mala recuperación de forma temprana, permitiendo planes de rehabilitación más personalizados e intensivos. El trabajo confirma que la barrera de la privacidad de los datos no tiene por qué detener el progreso de la ciencia médica; con las herramientas adecuadas, los hospitales pueden compartir conocimientos manteniendo seguros los datos de los pacientes, lo que en última instancia conduce a una mejor atención para aquellos que se recuperan de algunas de las lesiones más devastadoras del cuerpo humano.