El EEG como señal barata pero compleja
Para el diagnóstico temprano de la enfermedad de Alzheimer se necesitan métodos accesibles. El EEG parece ideal: el equipo es portátil y económico. Pero las grabaciones tienen particularidades: son ruidosas, varían mucho entre personas y hay pocos datos clínicos etiquetados. Debido a esto, las redes neuronales convencionales, entrenadas "de frente", a menudo se sobreajustan y funcionan mal en pacientes nuevos.
En estas condiciones, el análisis autosupervisado es prometedor, por ejemplo Delta2Gamma.
Autoaprendizaje en lugar de etiquetado manual
Los investigadores Chanwu Park y Chanwu Kim propusieron el marco Delta2Gamma, que no requiere grandes conjuntos de datos etiquetados. La idea es aprender de las propias señales, creando versiones aumentadas de ellas y comparándolas entre sí — este enfoque se denomina aprendizaje contrastivo.
Primero, cada grabación se descompone en cinco ritmos neuronales clásicos: delta, theta, alfa, beta y gamma. Para cada ritmo se utiliza un codificador separado y una cabeza de proyección propia, ya que la estadística de los rangos es diferente. Para que contribuyan de forma equilibrada al entrenamiento, para cada rango se ajusta adaptativamente la temperatura — un parámetro que controla la sensibilidad de la función de pérdida contrastiva.
Resultados
El trabajo fue aceptado en la 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS). En la cohorte ADFTD, la eficacia de Delta2Gamma se probó con un protocolo estricto leave-one-subject-out: el modelo se entrena con todos los participantes excepto uno, y luego se evalúa en el sujeto excluido. Esto se acerca al máximo al uso real. En esta prueba se logró separar a los pacientes con Alzheimer de las personas cognitivamente normales con una precisión del 92,4%.
Este resultado supera tanto a las redes neuronales supervisadas convencionales como a los métodos especializados recientes de análisis de EEG, desarrollados específicamente para esta tarea.
Conclusiones
Delta2Gamma demuestra que el análisis autosupervisado de EEG puede ofrecer alta precisión sin enormes bases etiquetadas. La capacidad de trabajar con datos crudos y sin etiquetar hace que el enfoque sea escalable: puede aplicarse para el cribado masivo de demencia, donde lo principal es el bajo coste y la simplicidad. No es un sustituto del diagnóstico completo, pero sí una herramienta prometedora para la selección inicial.
