Translating Imaging-based Brain Age Models for Predicting Accelerated Brain Ageing in African Populations: A Pilot Study on a Nigerian Cohort.

El cerebro humano no es un órgano estático; cambia de forma y estructura a medida que envejecemos. Al igual que nuestra piel desarrolla arrugas o nuestros huesos pierden densidad con el tiempo, el cerebro experimenta una transformación natural y gradual. Los científicos han aprendido a medir estos cambios utilizando la resonancia magnética nuclear, o RM, para crear un concepto llamado "edad cerebral". Esta es una cifra que estima qué edad parece tener el cerebro de una persona basándose en su estructura física, más que en cuántos años ha vivido realmente. Si un cerebro parece más viejo que la edad real de la persona, puede señalar que el órgano está bajo estrés o en riesgo de padecer enfermedades como la demencia. Durante años, los investigadores han utilizado esta idea para intentar detectar problemas de salud de forma temprana. Sin embargo, las herramientas utilizadas para calcular esta edad cerebral tienen un fallo significativo: fueron construidas casi por completo utilizando datos de personas en América del Norte, Europa y Australia. Estos modelos asumen que todos los cerebros humanos envejecen de la misma manera, independientemente de dónde viva una persona o cuál sea su origen. Este supuesto ignora el hecho de que la genética, el entorno e incluso las máquinas específicas utilizadas para tomar las imágenes pueden influir en cómo se ve un cerebro.

Un equipo de investigadores se propuso probar si estas herramientas creadas en Occidente funcionan para las personas en África, específicamente en Nigeria. Se basaron en el Archivo de Neuroimagen de África (AfNiA), una base de datos multiinstitucional que contiene más de 11,000 escaneos cerebrales clínicos de todo el continente. De este vasto archivo, seleccionaron cuidadosamente 309 escaneos de adultos nigerianos neurológicamente sanos, lo que significa que no presentaban enfermedades ni anomalías cerebrales conocidas. Estos escaneos específicos procedían de diversas fuentes, incluidos hospitales públicos y privados de Nigeria, y fueron tomados con cinco tipos diferentes de máquinas de RM. Muchas de estas imágenes no eran las fotos 3D nítidas y de alta resolución que se utilizan habitualmente en la investigación; en su lugar, eran a menudo cortes 2D más rápidos y de menor calidad, tomados para que los pacientes pasaran rápidamente por la clínica. Para hacer que estas imágenes fueran utilizables para su estudio, el equipo utilizó un programa informático para convertir los cortes 2D en imágenes 3D, rellenando eficazmente los huecos para crear una imagen completa del cerebro. Luego, sometieron estas imágenes a un riguroso control de calidad, eliminando cualquier escaneo que fuera demasiado borroso o distorsionado para ser útil, asegurando que su conjunto de datos final fuera lo más fiable posible dadas las limitaciones del mundo real.

Con su conjunto de datos limpio y listo, el equipo entrenó un nuevo modelo informático para que aprendiera la relación entre la estructura cerebral y la edad específicamente para esta población nigeriana. Enseñaron al modelo a observar el tamaño y la forma de diferentes regiones cerebrales y a predecir qué edad tenía la persona. Cuando probaron este nuevo modelo, sus predicciones fallaban por un promedio de unos 9.8 años antes de aplicar un ajuste estadístico estándar. Tras realizar una corrección sencilla para tener en cuenta una tendencia común en estos modelos de sobreestimar la edad de los más jóvenes y subestimar la de los mayores, el error disminuyó significativamente a solo 6.4 años. Este nivel de precisión es comparable al de los mejores modelos entrenados con conjuntos de datos de alta calidad del Norte Global, pero se logró utilizando datos que eran mucho más representativos de la población local.

Para ver cómo se desempeñarían los viejos modelos importados, los investigadores probaron cuatro herramientas distintas de edad cerebral ya establecidas en los mismos datos nigerianos. Estas herramientas habían sido entrenadas con decenas de miles de escaneos de personas del Reino Unido, Estados Unidos y Europa. Los resultados fueron contundentes. Los modelos importados cometieron errores mucho mayores, con algunos fallando por un promedio de más de 16 años. Uno de los modelos de aprendizaje profundo más avanzados, que había sido elogiado por su capacidad de generalización a nuevos grupos, falló por completo en una pequeña parte de los escaneos, siendo incapaz de procesar las imágenes. Otro modelo funcionó tan mal que, de hecho, predijo la dirección errónea del envejecimiento para el grupo. Los investigadores descubrieron que estos modelos estaban intentando forzar a los cerebros nigerianos a encajar en un patrón que nunca habían visto, lo que provocaba confusión y resultados inexactos. El estudio demostró que incluso las herramientas más sofisticadas no pueden simplemente transferirse de un continente a otro sin perder su fiabilidad.

El estudio también destacó los desafíos prácticos de llevar estas tecnologías a entornos con recursos limitados. Aunque el nuevo modelo que construyeron era preciso, el proceso de preparación de las imágenes requirió una cantidad tremenda de tiempo. Convertir y analizar los escaneos de los 309 participantes requirió casi 40 días de procesamiento informático continuo. Este cuello de botella, causado por la necesidad de descomponer las imágenes del cerebro en partes específicas antes de que el modelo pudiera leerlas, es un obstáculo importante para el uso de estas herramientas en hospitales con mucho trabajo donde la velocidad es esencial. Los investigadores señalaron que, si bien existen métodos más nuevos y rápidos, estos requieren ordenadores potentes y costosos que no están disponibles en muchas partes de África. Esto crea un difícil compromiso: los modelos más precisos son demasiado lentos y caros para usarse ampliamente, mientras que los modelos más rápidos suelen ser menos precisos o fallan por completo ante los datos locales.

En última instancia, este trabajo demuestra que el camino hacia una mejor salud cerebral en África requiere un enfoque diferente. No basta con tomar las herramientas desarrolladas en las naciones ricas y aplicarlas a las poblaciones africanas. Los investigadores demostraron que, al utilizar datos locales para construir modelos locales, podían lograr resultados que eran tanto más precisos como más relevantes para las personas estudiadas. Concluyeron que el futuro de la salud cerebral mundial depende de la creación de un ecosistema de herramientas diversas, cada una validada para las poblaciones específicas a las que están diseñadas para ayudar. A medida que continúan recopilando más datos de todo el continente, esperan refinar aún más estos modelos, con el fin de crear eventualmente un sistema que pueda identificar de forma fiable a los individuos en riesgo de un envejecimiento cerebral acelerado, permitiendo una intervención más temprana y una mejor atención para millones de personas que durante mucho tiempo han sido dejadas de lado en la conversación.