Un viejo atlas de carreteras descansa sobre la mesa. En sus páginas, las líneas unen ciudades, y el grosor de cada línea indica cuán intenso era el tráfico. Una red neuronal mira ese mapa y dice la edad del coche que circuló por él. Algo parecido es el modelo que se entrenó para predecir la edad de una persona a partir del mapa de conexiones de su cerebro.
En lugar de ciudades, este mapa tiene 84 regiones del cerebro, y en lugar de carreteras, haces de fibras nerviosas que las conectan. El grosor de cada conexión depende de cuántas fibras la atraviesan. A ese mapa se le llama conectoma. Se construye a partir de imágenes de resonancia magnética de difusión, que muestran cómo se mueve el agua a lo largo de las vías nerviosas.
Los científicos entrenaron estos modelos con datos de cuatro grupos distintos de participantes: personas mayores sanas, pacientes con enfermedad de Alzheimer y personas con deterioro cognitivo leve. En total, 1093 sesiones de resonancia magnética. Para cada grupo el modelo se entrenó por separado, porque los escáneres y los protocolos de imagen eran diferentes.
La precisión al predecir la edad resultó dispar: en un grupo el modelo se equivocaba en promedio 4,7 años, en otro 9,75 años. Pero lo importante no era la edad en sí, sino la diferencia entre la predicha y la real. La llamaron brecha de edad. Si el modelo dice que el cerebro tiene 70 años y la persona tiene 65, significa que el cerebro parece mayor de lo que le corresponde.
El problema es que la brecha de edad tiene un error sistemático: en los jóvenes el modelo suele equivocarse en una dirección y en los mayores en la otra. Por eso los científicos restaron de la brecha la tendencia esperada y obtuvieron la brecha corregida, o cBAG. Precisamente esta resultó relacionada con la integridad de la sustancia blanca. En tres de los cuatro grupos, las personas con un cBAG más alto tenían una anisotropía fraccional más baja en el hipocampo, una región clave para la memoria.
En el análisis longitudinal, en el que se escaneó varias veces a las mismas personas, un cBAG inicial más alto predecía una disminución posterior de la anisotropía fraccional y de la eficiencia local de la red. Es decir, el cerebro que parece más viejo pierde de verdad más rápido la calidad de su cableado.
Lo más difícil fue transferir el modelo entre grupos. Cuando un modelo entrenado con un grupo se aplicaba a otro, el error de edad llegaba a 80 años. El modelo podía «envejecer» a una persona casi un siglo. Tras una recalibración lineal, el error bajaba a 8 años, pero el orden de las personas por edad seguía sin recuperarse. Esto significa que el modelo capta particularidades de un escáner concreto, y no solo la biología.
El viejo atlas vuelve a estar sobre la mesa. Ahora se ve que sus líneas no son simples carreteras, sino la historia de cómo se fueron desgastando. La red neuronal lee esa historia, pero necesita aprender con mapas dibujados por un mismo cartógrafo para no confundir el estilo del dibujo con el estado de las carreteras.
Al transferir un modelo entrenado con la cohorte AD-DECODE a otras cohortes, el error de predicción de la edad llegaba a 80 años, es decir, el modelo podía «envejecer» a una persona casi un siglo. Tras la recalibración lineal el error bajaba a 8 años, pero el orden de las personas por edad seguía sin recuperarse.
La idea de una edad biológica distinta de la cronológica resuena con la novela «La máquina del tiempo» de Herbert Wells, donde el tiempo fluye de forma desigual para distintos seres. Aquí el cerebro de cada persona envejece a su propio ritmo, y el modelo intenta captar esa trayectoria individual a partir de la estructura de las conexiones.
No publicado en arXiv. Aquí están su página, el PDF y la formalización: puede comprobarlo usted mismo, no solo leer nuestro análisis.