Sensores metamateriales multibanda potenciados por aprendizaje automático para la detección temprana de trastornos neurológicos

Detectar problemas cerebrales antes de que aparezcan los síntomas

Los trastornos neurológicos, como los tumores cerebrales, la esclerosis múltiple y las lesiones traumáticas, a menudo comienzan con cambios sutiles que los escáneres actuales pueden pasar por alto. Este estudio presenta un sensor diminuto, construido con materiales especialmente diseñados y asistido por aprendizaje automático, que funciona con luz en la región de terahercios para detectar variaciones tempranas en los fluidos y tejidos cerebrales. En el futuro, un chip así podría ayudar a los médicos a identificar problemas antes, utilizando equipos más pequeños y potencialmente más económicos que las voluminosas máquinas de MRI o CT actuales.

Por qué se necesita un nuevo tipo de sensor cerebral

Los médicos confían actualmente en la tomografía computarizada (CT) y la resonancia magnética (MRI) para localizar tejido cerebral dañado, pero estas máquinas son grandes, costosas y no siempre sensibles a las etapas más tempranas de la enfermedad. Muchas afecciones cerebrales alteran de forma sutil las propiedades del líquido cefalorraquídeo: el fluido transparente que amortigua el cerebro y la médula espinal y ayuda a mantener su estabilidad química. Cuando cambia su contenido de agua, también cambia la forma en que desvía la luz, una cantidad conocida como índice de refracción. Los escáneres convencionales no están diseñados para medir directamente estos cambios ópticos tan pequeños. Los autores sostienen que si un sensor compacto pudiera leer estos desplazamientos con alta precisión, podría revelar señales de alerta mucho antes de que el daño estructural sea evidente.

Aprovechar la luz terahercio y materiales diseñados

El sensor propuesto opera en la región de terahercios del espectro electromagnético, una banda de radiación que puede penetrar tejido biológico sin los efectos ionizantes dañinos de los rayos X. En el corazón del dispositivo hay una superficie de “metamaterial” cuidadosamente diseñada: un cuadrado de 35 micrómetros de lado fabricado con oro y un polímero llamado poliamida (polyimide), dispuesto como bucles cuadrados y octagonales anidados. En lugar de depender únicamente de la composición química de los materiales, el diseño utiliza la geometría para atrapar las ondas terahercio entrantes de forma muy eficiente. Cuando el sensor se expone a una muestra —como líquido cefalorraquídeo o tejido similar al cerebral— su espectro de absorción muestra tres picos muy agudos en frecuencias específicas. Dado que más del 99 % de la energía terahercio entrante se absorbe en cada pico, los pequeños desplazamientos en esas frecuencias se vuelven fáciles de detectar.

Leer cambios diminutos en tejidos similares al cerebral

Para evaluar su capacidad de detección, el equipo colocó una fina capa de “analito” sobre el metamaterial y varió su índice de refracción dentro del rango típico de los fluidos biológicos. Cada vez que cambiaba el índice de refracción, los tres picos de absorción se desplazaban a frecuencias ligeramente diferentes manteniendo una absorción muy alta, por encima de aproximadamente el 96 %. A partir de esos desplazamientos, los investigadores calcularon valores de sensibilidad de 1,5, 1,5 y 1,8 terahercios por unidad de índice de refracción para los tres picos —cifras que se comparan favorablemente o superan a las de muchos sensores terahercio previos. A continuación, modelaron condiciones cerebrales realistas asignando valores de índice de refracción a diferentes tejidos, incluyendo líquido cefalorraquídeo sano, materia gris y blanca, y varios tipos de tumores cerebrales. Los tres picos de resonancia para cada tipo de tejido se separaron con claridad sin solaparse, lo que indica que, en principio, el dispositivo podría distinguir entre estados sanos y enfermos a través de múltiples canales simultáneamente.

Acelerar el diseño con aprendizaje automático

Diseñar un sensor tan finamente ajustado normalmente exige miles de simulaciones informáticas que consumen tiempo. Para superar esto, los autores generaron un gran conjunto de datos variando sistemáticamente cinco parámetros clave del diseño —como grosores de capa y tamaños de separación— y registrando la absorción resultante. Luego entrenaron varios modelos de aprendizaje automático para predecir la respuesta del sensor sin ejecutar simulaciones completas. El gradient boosting, un método de ensamblado muy usado, emergió como el mejor rendimiento, reproduciendo las curvas de absorción simuladas con una precisión extremadamente alta. Al apoyarse en estos modelos aprendidos, el equipo estima que puede explorar nuevos diseños reduciendo el tiempo de simulación hasta en un 60 %. Además, utilizaron herramientas de IA explicable, SHAP y LIME, para identificar qué parámetros eran los más relevantes, ofreciendo ideas sobre cómo la geometría controla el rendimiento sensorial.

Qué podría significar esto para el diagnóstico temprano

En términos simples, el estudio muestra que un chip en tamaño de una estampilla terahercio puede actuar como un “oído” muy fino para escuchar cómo los fluidos y tejidos cerebrales interactúan con la luz, y que estas interacciones cambian de manera fiable a medida que la enfermedad progresa. Debido a que el sensor produce tres lecturas independientes a la vez, gana tanto en precisión como en robustez: si un canal se ve perturbado, los otros pueden seguir ayudando a identificar el estado del tejido. Si bien el trabajo hasta ahora se basa en simulaciones y debe confirmarse en entornos de laboratorio y clínicos, la combinación de alta sensibilidad, tamaño compacto y diseño guiado por aprendizaje automático sugiere una vía prometedora hacia herramientas más rápidas y accesibles para detectar trastornos neurológicos en sus etapas más tempranas y tratables.

Cita: Miah, A., Al Zafir, S., Das, J. et al. Machine learning-enhanced multi-band metamaterial sensor for early detection of neurological disorders. Sci Rep 16, 7599 (2026). https://doi.org/10.1038/s41598-026-39127-w

Palabras clave: trastornos neurológicos, detección en terahercios, sensor metamaterial, líquido cefalorraquídeo, aprendizaje automático